விரைவான அவுட்லைன்
இந்த இடுகை பின்வருவனவற்றை நிரூபிக்கும்:
- LangChain இல் ஒரு முகவரின் இடைநிலை படிகளை எவ்வாறு அணுகுவது
- கட்டமைப்புகளை நிறுவுதல்
- OpenAI சூழலை அமைத்தல்
- நூலகங்களை இறக்குமதி செய்கிறது
- கட்டிடம் LLM மற்றும் முகவர்
- முகவரைப் பயன்படுத்துதல்
- முறை 1: இடைநிலை படிகளை அணுக இயல்புநிலை திரும்பும் வகை
- முறை 2: இடைநிலை படிகளை அணுக 'டம்ப்ஸ்' பயன்படுத்துதல்
- முடிவுரை
LangChain இல் ஒரு முகவரின் இடைநிலை படிகளை எவ்வாறு அணுகுவது?
LangChain இல் முகவரை உருவாக்க, பயனர் அதன் கருவிகளையும் டெம்ப்ளேட்டின் கட்டமைப்பையும் உள்ளமைக்க வேண்டும். எண்ணங்கள், செயல்கள், அவதானிப்புகள் போன்ற இடைநிலைப் படிகளை தானியங்குபடுத்துவதற்கு ஏஜென்ட் பொறுப்பாவார். LangChainல் உள்ள ஏஜென்ட்டின் இடைநிலைப் படிகளை எவ்வாறு அணுகுவது என்பதை அறிய, பட்டியலிடப்பட்டுள்ள படிகளைப் பின்பற்றவும்:
படி 1: கட்டமைப்புகளை நிறுவுதல்
முதலில், பைதான் நோட்புக்கில் பின்வரும் குறியீட்டை இயக்குவதன் மூலம் LangChain இன் சார்புகளை நிறுவவும்:
pip நிறுவல் langchain_experimental
OpenAI தொகுதியைப் பயன்படுத்தி அதன் சார்புகளைப் பெற அதை நிறுவவும் பிப் மொழி மாதிரியை உருவாக்க கட்டளையிட்டு அவற்றைப் பயன்படுத்தவும்:
pip install openai
படி 2: OpenAI சூழலை அமைத்தல்
தொகுதிகள் நிறுவப்பட்டதும், அமைக்கவும் OpenAI சூழல் அதன் கணக்கிலிருந்து உருவாக்கப்பட்ட API விசையைப் பயன்படுத்துதல்:
இறக்குமதி நீ
இறக்குமதி கெட்பாஸ்
நீ. தோராயமாக [ 'OPENAI_API_KEY' ] = கெட்பாஸ். கெட்பாஸ் ( 'OpenAI API விசை:' )
படி 3: நூலகங்களை இறக்குமதி செய்தல்
இப்போது சார்புகளை நிறுவியுள்ளோம், LangChain இலிருந்து நூலகங்களை இறக்குமதி செய்ய அவற்றைப் பயன்படுத்தவும்:
லாங்செயினில் இருந்து. முகவர்கள் இறக்குமதி load_toolsலாங்செயினில் இருந்து. முகவர்கள் இறக்குமதி துவக்க_முகவர்
லாங்செயினில் இருந்து. முகவர்கள் இறக்குமதி முகவர் வகை
லாங்செயினில் இருந்து. llms இறக்குமதி OpenAI
படி 4: LLM மற்றும் முகவரை உருவாக்குதல்
நூலகங்கள் இறக்குமதி செய்யப்பட்டவுடன், முகவர்க்கான மொழி மாதிரி மற்றும் கருவிகளை உருவாக்க அவற்றைப் பயன்படுத்த வேண்டிய நேரம் இது. llm மாறியை வரையறுத்து, வெப்பநிலை மற்றும் மாதிரி_பெயர் வாதங்களைக் கொண்ட OpenAI() முறையுடன் அதை ஒதுக்கவும். ' கருவிகள் ” மாறியானது load_tools() முறையை SerpAPi மற்றும் llm-math கருவிகளுடன் கொண்டுள்ளது மற்றும் அதன் வாதத்தில் உள்ள மொழி மாதிரி:
llm = OpenAI ( வெப்ப நிலை = 0 , மாதிரி_பெயர் = 'text-davinci-002' )கருவிகள் = load_tools ( [ 'செர்பாபி' , 'எல்எம்-கணிதம்' ] , llm = llm )
மொழி மாதிரி மற்றும் கருவிகள் கட்டமைக்கப்பட்டவுடன், மொழி மாதிரியில் உள்ள கருவிகளைப் பயன்படுத்தி இடைநிலை படிகளைச் செய்ய முகவரை வடிவமைக்கவும்:
முகவர் = துவக்க_முகவர் (கருவிகள் ,
llm ,
முகவர் = முகவர் வகை. ZERO_SHOT_REACT_DESCRIPTION ,
வாய்மொழி = உண்மை ,
திரும்ப_இடைநிலை_படிகள் = உண்மை ,
)
படி 5: முகவரைப் பயன்படுத்துதல்
இப்போது, ஏஜென்ட்() முறையின் உள்ளீட்டில் ஒரு கேள்வியைக் கேட்டு அதைச் செயல்படுத்துவதன் மூலம் முகவரைச் சோதனைக்கு உட்படுத்தவும்:
பதில் = முகவர் ({
'உள்ளீடு' : 'லியோ டிகாப்ரியோவின் காதலி யார் மற்றும் அவர்களின் வயது வித்தியாசம் என்ன'
}
)
லியோ டிகாப்ரியோவின் காதலியின் பெயர், அவரது வயது, லியோ டிகாப்ரியோவின் வயது மற்றும் அவர்களுக்கிடையேயான வித்தியாசம் ஆகியவற்றைப் பெற மாடல் திறமையாக உழைத்துள்ளார். பின்வரும் ஸ்கிரீன்ஷாட் இறுதிப் பதிலைப் பெற முகவரால் தேடப்பட்ட பல கேள்விகள் மற்றும் பதில்களைக் காட்டுகிறது:
மேலே உள்ள ஸ்கிரீன்ஷாட், ஏஜெண்டின் செயல்பாடு மற்றும் எல்லா பதில்களையும் கண்டுபிடிக்கும் நிலைக்கு அது எவ்வாறு செல்கிறது என்பதைக் காட்டவில்லை. படிகளைக் கண்டறிய அடுத்த பகுதிக்குச் செல்வோம்:
முறை 1: இடைநிலை படிகளை அணுக இயல்புநிலை திரும்பும் வகை
பின்வரும் குறியீட்டைப் பயன்படுத்தி LangChain வழங்கும் இயல்புநிலை திரும்பும் வகையைப் பயன்படுத்தி இடைநிலைப் படியை அணுகுவதற்கான முதல் முறை:
அச்சு ( பதில் [ 'இடைநிலை_படிகள்' ] )பின்வரும் GIF இடைநிலை படிகளை ஒற்றை வரியில் காட்டுகிறது, இது படிக்கக்கூடிய அம்சத்திற்கு வரும்போது நன்றாக இல்லை:
முறை 2: இடைநிலை படிகளை அணுக 'டம்ப்ஸ்' பயன்படுத்துதல்
லாங்செயின் கட்டமைப்பிலிருந்து டம்ப் லைப்ரரியைப் பயன்படுத்தி இடைநிலை படிகளைப் பெறுவதற்கான மற்றொரு வழியை அடுத்த முறை விளக்குகிறது. வெளியீட்டை மிகவும் கட்டமைக்கப்பட்டதாகவும் படிக்க எளிதாகவும் செய்ய அழகான வாதத்துடன் dumps() முறையைப் பயன்படுத்தவும்:
லாங்செயினில் இருந்து. சுமை . திணிப்பு இறக்குமதி குப்பைகள்அச்சு ( குப்பைகள் ( பதில் [ 'இடைநிலை_படிகள்' ] , அழகான = உண்மை ) )
இப்போது, பயனர்கள் எளிதாகப் படிக்கக்கூடிய வகையில் மிகவும் கட்டமைக்கப்பட்ட வடிவத்தில் வெளியீடு உள்ளது. மேலும் அர்த்தமுள்ளதாக இருக்கும் வகையில் இது பல பிரிவுகளாகப் பிரிக்கப்பட்டுள்ளது மேலும் ஒவ்வொரு பிரிவிலும் கேள்விகளுக்கான பதில்களைக் கண்டறியும் படிகள் உள்ளன:
LangChain இல் ஒரு முகவரின் இடைநிலை படிகளை அணுகுவது அவ்வளவுதான்.
முடிவுரை
LangChain இல் உள்ள முகவரின் இடைநிலை படிகளை அணுக, மொழி மாதிரிகளை உருவாக்க நூலகங்களை இறக்குமதி செய்ய தொகுதிகளை நிறுவவும். அதன் பிறகு, கருவிகள், LLm மற்றும் கேள்விகளுக்கு பதிலளிக்கக்கூடிய முகவர் வகையைப் பயன்படுத்தி முகவரைத் தொடங்க கருவிகளை அமைக்கவும். முகவர் கட்டமைக்கப்பட்டவுடன், பதில்களைப் பெற அதைச் சோதித்து, இடைநிலை படிகளை அணுக இயல்புநிலை வகை அல்லது டம்ப்ஸ் நூலகத்தைப் பயன்படுத்தவும். இந்த வழிகாட்டி LangChain இல் உள்ள ஒரு முகவரின் இடைநிலை படிகளை அணுகும் செயல்முறையை விரிவாகக் கூறியுள்ளது.