LangChain என்பது இயற்கை மொழி செயலாக்கம் அல்லது NLP டொமைனில் உள்ள பயன்பாட்டுடன் கூடிய கட்டமைப்பாகும், இது மனிதர்களைப் போன்ற மொழிகளில் மாதிரிகளை உருவாக்குகிறது. இந்த மாதிரிகள் மாதிரியிலிருந்து பதில்களைப் பெற அல்லது மற்ற மனிதர்களைப் போல உரையாடலைப் பெற மனிதர்களால் பயன்படுத்தப்படலாம். உரையாடலில் ஒவ்வொரு வாக்கியத்தையும் சேமித்து, அதைச் சூழலாகப் பயன்படுத்தி மேலும் தொடர்புகொள்வதன் மூலம் சங்கிலிகளை உருவாக்க LangChain பயன்படுத்தப்படுகிறது.
LangChain இல் LLM மற்றும் LLMChain ஐ உருவாக்கும் செயல்முறையை இந்த இடுகை விளக்குகிறது.
LangChain இல் LLM மற்றும் LLMChain ஐ எவ்வாறு உருவாக்குவது?
LangChain இல் LLM மற்றும் LLMChain ஐ உருவாக்க, பட்டியலிடப்பட்ட படிகளைப் பின்பற்றவும்:
படி 1: தொகுதிகளை நிறுவவும்
முதலில், எல்எல்எம்கள் மற்றும் எல்எல்எம்செயின்களை உருவாக்க அதன் நூலகங்களைப் பயன்படுத்த LangChain தொகுதியை நிறுவவும்:
pip நிறுவல் langchain
LLMகளை உருவாக்குவதற்கு தேவைப்படும் மற்றொரு தொகுதி OpenAI ஆகும், மேலும் இது pip கட்டளையைப் பயன்படுத்தி நிறுவப்படலாம்:
pip install openai 
படி 2: ஒரு சூழலை அமைக்கவும்
அதன் சூழலில் இருந்து OpenAI API விசையைப் பயன்படுத்தி சூழலை அமைக்கவும்:
எங்களை இறக்குமதிஇறக்குமதி getpassos.environ['OPENAI_API_KEY'] = getpass.getpass('OpenAI API விசை:')
எடுத்துக்காட்டு 1: LangChain ஐப் பயன்படுத்தி LLMகளை உருவாக்கவும்
முதல் உதாரணம், OpenAI மற்றும் ChatOpenAI நூலகங்களை இறக்குமதி செய்வதன் மூலம் LangChain ஐப் பயன்படுத்தி பெரிய மொழி மாதிரிகளை உருவாக்குவது மற்றும் llm() செயல்பாட்டைப் பயன்படுத்துதல்:
படி 1: LLM அரட்டை மாதிரியைப் பயன்படுத்துதல்
LangChain இலிருந்து OpenAI சூழலைப் பயன்படுத்தி எளிய LLM ஐ உருவாக்க OpenAI மற்றும் ChatOpenAI தொகுதிகளை இறக்குமதி செய்யவும்:
langchain.chat_models இலிருந்து ChatOpenAIஐ இறக்குமதி செய்கlangchain.llms இலிருந்து OpenAIஐ இறக்குமதி செய்கிறது
llm = OpenAI()
chat_model = ChatOpenAI()
llm.predict('ஹாய்!')
கீழே உள்ள ஸ்கிரீன்ஷாட்டில் காட்டப்பட்டுள்ளபடி மாடல் “ஹாய்” பதிலுடன் பதிலளித்துள்ளது:
chat_model இலிருந்து முன்கணிப்பு() செயல்பாடு மாதிரியிலிருந்து பதில் அல்லது பதிலைப் பெற பயன்படுகிறது:
chat_model.predict('ஹாய்!')வினவல்களைக் கேட்கும் பயனரின் வசம் மாடல் இருப்பதை வெளியீடு காட்டுகிறது:
படி 2: உரை வினவலைப் பயன்படுத்துதல்
உரை மாறியில் முழுமையான வாக்கியத்தை வழங்குவதன் மூலம் பயனர் மாதிரியிலிருந்து பதில்களைப் பெறலாம்:
text = 'வண்ணமயமான காலுறைகளைத் தயாரிக்கும் நிறுவனத்திற்கு நல்ல நிறுவனத்தின் பெயர் என்ன?'llm.predict(உரை)
மாடல் வண்ணமயமான காலுறைகளுக்கு பல வண்ண சேர்க்கைகளைக் காட்டுகிறது:
காலுறைகளுக்கான வண்ண சேர்க்கைகளுடன் ப்ரெடிட்() செயல்பாட்டைப் பயன்படுத்தி மாதிரியிலிருந்து விரிவான பதிலைப் பெறவும்:
chat_model.predict(உரை) 
படி 3: உள்ளடக்கத்துடன் உரையைப் பயன்படுத்துதல்
பதிலைப் பற்றிய சிறிய விளக்கத்துடன் பயனர் பதிலைப் பெறலாம்:
langchain.schema இலிருந்து ஹியூமன் மெசேஜ் இறக்குமதிtext = 'வண்ணமயமான ஆடைகளை தயாரிக்கும் நிறுவனத்திற்கு எது நல்ல தலைப்பு'
செய்திகள் = [HumanMessage(content=text)]
llm.predict_messages(செய்திகள்)
'கிரியேட்டிவ் கிளாதிங் கோ' என்ற தலைப்பை இந்த மாடல் உருவாக்கியுள்ளது:
நிறுவனத்தின் தலைப்புக்கான பதிலை அதன் விளக்கத்துடன் பெற செய்தியை கணிக்கவும்:
chat_model.predict_messages(செய்திகள்) 
எடுத்துக்காட்டு 2: LangChain ஐப் பயன்படுத்தி LLMChain ஐ உருவாக்கவும்
எங்கள் வழிகாட்டியின் இரண்டாவது எடுத்துக்காட்டு, முந்தைய எடுத்துக்காட்டில் இருந்து அனைத்து படிகளையும் ஒன்றிணைக்க மனித தொடர்பு வடிவத்தில் மாதிரியைப் பெற LLMCchain ஐ உருவாக்குகிறது:
langchain.chat_models இலிருந்து ChatOpenAIஐ இறக்குமதி செய்கlangchain.prompts.chat இலிருந்து ChatPromptTemplate இறக்குமதி
langchain.prompts.chat இலிருந்து ChatPromptTemplate இறக்குமதி
langchain.prompts.chat இலிருந்து இறக்குமதி SystemMessagePromptTemplate from langchain.prompts.chat இறக்குமதி HumanMessagePromptTemplate
langchain.chains இலிருந்து LLMCchain ஐ இறக்குமதி செய்கிறது
langchain.schema இலிருந்து இறக்குமதி BaseOutputParserclass CommaSeparatedListOutputParser(BaseOutputParser):
def parse(self, text: str):
திரும்ப text.strip().split(', ')
அரட்டை மாதிரிக்கான டெம்ப்ளேட்டை அதன் செயல்பாட்டின் விரிவான விளக்கத்தை வழங்குவதன் மூலம் உருவாக்கவும், பின்னர் LLM, வெளியீடு பாகுபடுத்தி மற்றும் chat_prompt நூலகங்களைக் கொண்ட LLMCchain() செயல்பாட்டை உருவாக்கவும்:
டெம்ப்ளேட் = '''காற்புள்ளியால் பிரிக்கப்பட்ட பட்டியல்களை உருவாக்க நீங்கள் உதவ வேண்டும்பயனரிடமிருந்து வகையைப் பெற்று, ஐந்து பொருள்களுடன் கமாவால் பிரிக்கப்பட்ட பட்டியலை உருவாக்கவும்
''' வகையிலிருந்து பொருள் மட்டுமே பொருளாக இருக்க வேண்டும்
system_message_prompt = SystemMessagePromptTemplate.from_template(template)
human_template = '{text}'
human_message_prompt = HumanMessagePromptTemplate.from_template(human_template)
#எல்எல்எம்செயினை வினவலின் கட்டமைப்புடன் கட்டமைக்கவும்
chat_prompt = ChatPromptTemplate.from_messages([system_message_prompt, human_message_prompt])
சங்கிலி = LLMCchain(
llm=ChatOpenAI(),
prompt=chat_prompt,
output_parser=CommaSeparatedListOutputParser()
)
chain.run('நிறங்கள்')
வரியில் கொடுக்கப்பட்ட 5 பொருள்களை மட்டுமே வகை கொண்டிருக்க வேண்டும் என்பதால், வண்ணங்களின் பட்டியலுடன் மாதிரி பதில் அளித்துள்ளது:
LangChain இல் LLM மற்றும் LLMChain ஐ உருவாக்குவது அவ்வளவுதான்.
முடிவுரை
LangChain ஐப் பயன்படுத்தி LLM மற்றும் LLMChain ஐ உருவாக்க, அதன் API விசையைப் பயன்படுத்தி சூழலை அமைக்க LangChain மற்றும் OpenAI தொகுதிகளை நிறுவவும். அதன் பிறகு, ஒரு முழுமையான அரட்டைக்கான ஒரு வினவலுக்கு ப்ராம்ட் டெம்ப்ளேட்டை உருவாக்கிய பிறகு, chat_model ஐப் பயன்படுத்தி LLM மாதிரியை உருவாக்கவும். LLMCchain உரையாடலில் உள்ள அனைத்து அவதானிப்புகளின் சங்கிலிகளை உருவாக்கவும் அவற்றை தொடர்புகளின் சூழலாகப் பயன்படுத்தவும் பயன்படுத்தப்படுகிறது. LangChain கட்டமைப்பைப் பயன்படுத்தி LLM மற்றும் LLMChain ஐ உருவாக்கும் செயல்முறையை இந்த இடுகை விளக்குகிறது.