LangChain இல் LLMCchains ஐ எவ்வாறு இயக்குவது?

Langchain Il Llmcchains Ai Evvaru Iyakkuvatu



LangChain என்பது டெவலப்பர்களுக்கு பெரிய மொழி மாதிரிகள் அல்லது அரட்டை மாதிரிகளை உருவாக்க உதவும் கட்டமைப்பாகும், அவை தகவல்களைப் பிரித்தெடுக்க மனிதர்களால் பயன்படுத்தப்படலாம். கட்டளைகளைப் புரிந்துகொண்டு, அதற்கேற்ப உரைகளை உருவாக்க இந்த மாதிரிகள் இயற்கையான மொழிகளில் தொடர்பு கொள்ள பயன்படுத்தப்படலாம். LLMகள் அல்லது chatbots, அரட்டையின் சூழலைப் பெற, முந்தைய செய்திகளை அவதானிப்புகளாக சேமித்து, மனிதர்களுடன் தொடர்புகொள்ள சங்கிலிகளைப் பயன்படுத்துகின்றன.

இந்த வழிகாட்டி LangChain இல் LLMCchains இயங்கும் செயல்முறையை விளக்குகிறது.

LangChain இல் LLMCchains ஐ எவ்வாறு இயக்குவது?

எல்எல்எம்கள்/சாட்போட்கள் மற்றும் ப்ராம்ட் டெம்ப்ளேட்களைப் பயன்படுத்தி எல்எல்எம்செயின்களை உருவாக்குவதற்கான அம்சங்கள் அல்லது சார்புகளை LangChain வழங்குகிறது. LangChain இல் LLMCchains ஐ உருவாக்கி இயக்கும் செயல்முறையை அறிய, பின்வரும் படிப்படியான வழிகாட்டியைப் பின்பற்றவும்:







படி 1: தொகுப்புகளை நிறுவவும்

முதலில், எல்எல்எம்செயின்களை உருவாக்குவதற்கும் இயக்குவதற்கும் அதன் சார்புகளைப் பெற லாங்செயின் தொகுதியை நிறுவுவதன் மூலம் செயல்முறையைத் தொடங்கவும்:



pip நிறுவல் langchain



LLMகளை உருவாக்குவதற்கு OpenAI() செயல்பாட்டைப் பயன்படுத்த நூலகங்களைப் பெற, pip கட்டளையைப் பயன்படுத்தி OpenAI கட்டமைப்பை நிறுவவும்:





pip install openai

தொகுதிகள் நிறுவப்பட்ட பிறகு, வெறுமனே சூழலை அமைக்க OpenAI கணக்கிலிருந்து API விசையைப் பயன்படுத்தி மாறிகள்:



இறக்குமதி நீ

இறக்குமதி கெட்பாஸ்

நீ . தோராயமாக [ 'OPENAI_API_KEY' ] = கெட்பாஸ் . கெட்பாஸ் ( 'OpenAI API விசை:' )

படி 2: நூலகங்களை இறக்குமதி செய்யவும்

அமைவு முடிந்ததும், தேவையான அனைத்து தொகுப்புகளும் நிறுவப்பட்டதும், ப்ராம்ட் டெம்ப்ளேட்டை உருவாக்க தேவையான நூலகங்களை இறக்குமதி செய்யவும். அதன் பிறகு, OpenAI() முறையைப் பயன்படுத்தி LLM ஐ உருவாக்கி, LLMகள் மற்றும் ப்ராம்ட் டெம்ப்ளேட்டைப் பயன்படுத்தி LLMChain ஐ உள்ளமைக்கவும்:

இருந்து லாங்செயின் இறக்குமதி PromptTemplate

இருந்து லாங்செயின் இறக்குமதி OpenAI

இருந்து லாங்செயின் இறக்குமதி எல்எல்எம்செயின்

prompt_template = '{product} செய்யும் வணிகத்திற்கான நல்ல தலைப்பை எனக்குக் கொடுக்கவா?'

llm = OpenAI ( வெப்ப நிலை = 0 )

llm_செயின் = எல்எல்எம்செயின் (

llm = llm ,

உடனடியாக = PromptTemplate. இருந்து_வார்ப்புரு ( prompt_template )

)

llm_செயின் ( 'வண்ணமயமான ஆடைகள்' )

படி 3: இயங்கும் சங்கிலிகள்

வணிகத்தால் தயாரிக்கப்பட்ட பல்வேறு தயாரிப்புகளைக் கொண்ட உள்ளீட்டுப் பட்டியலைப் பெற்று, பட்டியலைத் திரையில் காண்பிக்க சங்கிலியை இயக்கவும்:

உள்ளீடு_பட்டியல் = [
{ 'தயாரிப்பு' : 'சாக்ஸ்' } ,
{ 'தயாரிப்பு' : 'கணினி' } ,
{ 'தயாரிப்பு' : 'காலணிகள்' }
]

llm_செயின். விண்ணப்பிக்க ( உள்ளீடு_பட்டியல் )

உருவாக்கு() முறையைப் பயன்படுத்தி இயக்கவும் உள்ளீடு_பட்டியல் மாதிரியால் உருவாக்கப்பட்ட உரையாடல் தொடர்பான வெளியீட்டைப் பெற LLMCchains உடன்:

llm_செயின். உருவாக்க ( உள்ளீடு_பட்டியல் )

படி 4: ஒற்றை உள்ளீட்டைப் பயன்படுத்துதல்

ஒரே ஒரு உள்ளீட்டைப் பயன்படுத்தி LLMCchains ஐ இயக்க மற்றொரு தயாரிப்பைச் சேர்த்து, வெளியீட்டை உருவாக்க LLMChain ஐக் கணிக்கவும்:

llm_செயின். கணிக்க ( தயாரிப்பு = 'வண்ணமயமான சாக்ஸ்' )

படி 5: பல உள்ளீடுகளைப் பயன்படுத்துதல்

இப்போது, ​​சங்கிலியை இயக்கும் முன் மாதிரிக்கு கட்டளையை வழங்குவதற்கு பல உள்ளீடுகளைப் பயன்படுத்துவதற்கான டெம்ப்ளேட்டை உருவாக்கவும்:

டெம்ப்ளேட் = '''{subject} பற்றி ஒரு {பெயரடை} ஜோக் சொல்லு.'''
உடனடியாக = PromptTemplate ( டெம்ப்ளேட் = டெம்ப்ளேட் , உள்ளீடு_மாறிகள் = [ 'பெயரடை' , 'பொருள்' ] )
llm_செயின் = எல்எல்எம்செயின் ( உடனடியாக = உடனடியாக , llm = OpenAI ( வெப்ப நிலை = 0 ) )

llm_செயின். கணிக்க ( பெயரடை = 'சோகம்' , பொருள் = 'வாத்துகள்' )

படி 6: அவுட்புட் பாகுபடுத்தியைப் பயன்படுத்துதல்

இந்த படியானது எல்.எல்.எம்.செயினை இயக்க வெளியீட்டு பாகுபடுத்தி முறையைப் பயன்படுத்துகிறது:

இருந்து லாங்செயின். வெளியீடு_பாகுபடுத்திகள் இறக்குமதி CommaSeparatedListOutputParser

வெளியீடு_பாகுபடுத்தி = CommaSeparatedListOutputParser ( )

டெம்ப்ளேட் = '''ஒரு வானவில்லில் உள்ள அனைத்து வண்ணங்களையும் பட்டியலிடுங்கள்'''

உடனடியாக = PromptTemplate ( டெம்ப்ளேட் = டெம்ப்ளேட் , உள்ளீடு_மாறிகள் = [ ] , வெளியீடு_பாகுபடுத்தி = வெளியீடு_பாகுபடுத்தி )

llm_செயின் = எல்எல்எம்செயின் ( உடனடியாக = உடனடியாக , llm = llm )

llm_செயின். கணிக்க ( )

வெளியீட்டைப் பெற பாகுபடுத்தும் () முறையைப் பயன்படுத்துவது, வானவில்லில் உள்ள அனைத்து வண்ணங்களின் கமாவால் பிரிக்கப்பட்ட பட்டியலை உருவாக்கும்:

llm_செயின். கணிக்க_மற்றும்_பகுத்து ( )

படி 7: சரங்களில் இருந்து தொடங்குதல்

LLM மாதிரி மற்றும் டெம்ப்ளேட்டைப் பயன்படுத்தி LLMChain ஐ இயக்குவதற்கான வரியில் ஒரு சரத்தைப் பயன்படுத்துவதற்கான செயல்முறையை இந்தப் படி விளக்குகிறது:

டெம்ப்ளேட் = '''{subject} பற்றி ஒரு {பெயரடை} ஜோக் சொல்லு'''

llm_செயின் = எல்எல்எம்செயின். சரத்திலிருந்து_ ( llm = llm , டெம்ப்ளேட் = டெம்ப்ளேட் )

LLMChain ஐ இயக்குவதன் மூலம் மாதிரியிலிருந்து வெளியீட்டைப் பெற, சரம் வரியில் மாறிகளின் மதிப்புகளை வழங்கவும்:

llm_செயின். கணிக்க ( பெயரடை = 'சோகம்' , பொருள் = 'வாத்துகள்' )

LangChain கட்டமைப்பைப் பயன்படுத்தி LLMCchains ஐ இயக்குவது தான்.

முடிவுரை

LangChain இல் LLMCchains ஐ உருவாக்க மற்றும் இயக்க, தொகுப்புகள் போன்ற முன்நிபந்தனைகளை நிறுவவும் மற்றும் OpenAI இன் API விசையைப் பயன்படுத்தி சூழலை அமைக்கவும். அதன் பிறகு, LangChain சார்புகளைப் பயன்படுத்தி LLMChain ஐ இயக்குவதற்கான ப்ராம்ட் டெம்ப்ளேட் மற்றும் மாதிரியை உள்ளமைக்க தேவையான நூலகங்களை இறக்குமதி செய்யவும். வழிகாட்டியில் காட்டப்பட்டுள்ளபடி LLMCchains ஐ இயக்க பயனர் வெளியீட்டு பாகுபடுத்திகள் மற்றும் சரம் கட்டளைகளைப் பயன்படுத்தலாம். எல்எல்எம்செயின்களை லாங்செயினில் இயக்குவதற்கான முழுமையான செயல்முறையை இந்த வழிகாட்டி விவரித்துள்ளது.