LangChain இல் உரையாடல் சுருக்கத்தைப் பயன்படுத்துவதற்கான செயல்முறையை இந்த வழிகாட்டி விளக்கும்.
LangChain இல் உரையாடல் சுருக்கத்தை எவ்வாறு பயன்படுத்துவது?
அரட்டை அல்லது உரையாடலின் முழு சுருக்கத்தையும் பிரித்தெடுக்கக்கூடிய ConversationSummaryMemory போன்ற நூலகங்களை LangChain வழங்குகிறது. அரட்டையில் கிடைக்கும் அனைத்து செய்திகளையும் உரையையும் படிக்காமல் உரையாடலின் முக்கிய தகவலைப் பெற இதைப் பயன்படுத்தலாம்.
LangChain இல் உரையாடல் சுருக்கத்தைப் பயன்படுத்துவதற்கான செயல்முறையை அறிய, பின்வரும் படிகளுக்குச் செல்லவும்:
படி 1: தொகுதிகளை நிறுவவும்
முதலில், பின்வரும் குறியீட்டைப் பயன்படுத்தி அதன் சார்புகள் அல்லது நூலகங்களைப் பெற LangChain கட்டமைப்பை நிறுவவும்:
pip நிறுவல் langchain
இப்போது, Pip கட்டளையைப் பயன்படுத்தி LangChain ஐ நிறுவிய பின் OpenAI தொகுதிகளை நிறுவவும்:
pip install openai 
தொகுதிகளை நிறுவிய பின், வெறுமனே சூழலை அமைக்க OpenAI கணக்கிலிருந்து API விசையைப் பெற்ற பிறகு பின்வரும் குறியீட்டைப் பயன்படுத்தவும்:
இறக்குமதி நீஇறக்குமதி கெட்பாஸ்
நீ . தோராயமாக [ 'OPENAI_API_KEY' ] = கெட்பாஸ் . கெட்பாஸ் ( 'OpenAI API விசை:' )
படி 2: உரையாடல் சுருக்கத்தைப் பயன்படுத்துதல்
LangChain இலிருந்து நூலகங்களை இறக்குமதி செய்வதன் மூலம் உரையாடல் சுருக்கத்தைப் பயன்படுத்துவதற்கான செயல்முறையில் இறங்கவும்:
இருந்து லாங்செயின். நினைவு இறக்குமதி உரையாடல் சுருக்கம் நினைவகம் , ChatMessageHistoryஇருந்து லாங்செயின். llms இறக்குமதி OpenAI
ConversationSummaryMemory() மற்றும் OpenAI() முறைகளைப் பயன்படுத்தி மாதிரியின் நினைவகத்தை உள்ளமைத்து அதில் தரவைச் சேமிக்கவும்:
நினைவு = உரையாடல் சுருக்கம் நினைவகம் ( llm = OpenAI ( வெப்ப நிலை = 0 ) )நினைவு. சேமிப்பு_சூழல் ( { 'உள்ளீடு' : 'வணக்கம்' } , { 'வெளியீடு' : 'வணக்கம்' } )
என்பதை அழைப்பதன் மூலம் நினைவகத்தை இயக்கவும் load_memory_variables() நினைவகத்திலிருந்து தரவைப் பிரித்தெடுக்கும் முறை:
நினைவு. load_memory_variables ( { } ) 
பயனர் தனித்தனி செய்தியுடன் ஒவ்வொரு நிறுவனத்தைப் போலவே உரையாடல் வடிவத்திலும் தரவைப் பெறலாம்:
நினைவு = உரையாடல் சுருக்கம் நினைவகம் ( llm = OpenAI ( வெப்ப நிலை = 0 ) , திரும்ப_செய்திகள் = உண்மை )நினைவு. சேமிப்பு_சூழல் ( { 'உள்ளீடு' : 'வணக்கம்' } , { 'வெளியீடு' : 'ஹாய்! எப்படி இருக்கிறீர்கள்' } )
AI மற்றும் மனிதர்களின் செய்தியை தனித்தனியாகப் பெற, load_memory_variables() முறையை இயக்கவும்:
நினைவு. load_memory_variables ( { } ) 
உரையாடலின் சுருக்கத்தை நினைவகத்தில் சேமித்து, பின்னர் அரட்டை/உரையாடலின் சுருக்கத்தை திரையில் காண்பிக்க நினைவகத்தை இயக்கவும்:
செய்திகள் = நினைவு. அரட்டை_நினைவகம் . செய்திகள்முந்தைய_சுருக்கம் = ''
நினைவு. கணிக்க_புதிய_சுருக்கம் ( செய்திகள் , முந்தைய_சுருக்கம் )
படி 3: ஏற்கனவே உள்ள செய்திகளுடன் உரையாடல் சுருக்கத்தைப் பயன்படுத்துதல்
ChatMessageHistory() செய்தியைப் பயன்படுத்தி, வகுப்பிற்கு வெளியே இருக்கும் உரையாடலின் சுருக்கத்தையும் அல்லது அரட்டையையும் பயனர் பெறலாம். இந்தச் செய்திகளை நினைவகத்தில் சேர்க்கலாம், அதனால் முழுமையான உரையாடலின் சுருக்கத்தை தானாகவே உருவாக்க முடியும்:
வரலாறு = ChatMessageHistory ( )வரலாறு. add_user_message ( 'வணக்கம்' )
வரலாறு. add_ai_message ( 'வணக்கம்!' )
ஏற்கனவே உள்ள செய்திகளை இயக்க OpenAI() முறையைப் பயன்படுத்தி LLM போன்ற மாதிரியை உருவாக்கவும் அரட்டை_நினைவகம் மாறி:
நினைவு = உரையாடல் சுருக்கம் நினைவகம். from_messages (llm = OpenAI ( வெப்ப நிலை = 0 ) ,
அரட்டை_நினைவகம் = வரலாறு ,
திரும்ப_செய்திகள் = உண்மை
)
ஏற்கனவே உள்ள செய்திகளின் சுருக்கத்தைப் பெற, இடையகத்தைப் பயன்படுத்தி நினைவகத்தை இயக்கவும்:
நினைவு. தாங்கல் 
அரட்டை செய்திகளைப் பயன்படுத்தி இடையக நினைவகத்தை உள்ளமைப்பதன் மூலம் LLM ஐ உருவாக்க பின்வரும் குறியீட்டை இயக்கவும்:
நினைவு = உரையாடல் சுருக்கம் நினைவகம் (llm = OpenAI ( வெப்ப நிலை = 0 ) ,
தாங்கல் = '''மனிதன் தன்னைப் பற்றி கேட்கும் இயந்திரத்திடம் கேட்கிறான்
AI நன்மைக்காக கட்டமைக்கப்பட்டுள்ளது என்று கணினி பதிலளிக்கிறது, ஏனெனில் இது மனிதர்களின் திறனை அடைய உதவும்''' ,
அரட்டை_நினைவகம் = வரலாறு ,
திரும்ப_செய்திகள் = உண்மை
)
படி 4: செயினில் உரையாடல் சுருக்கத்தைப் பயன்படுத்துதல்
LLM ஐப் பயன்படுத்தி ஒரு சங்கிலியில் உரையாடல் சுருக்கத்தைப் பயன்படுத்துவதற்கான செயல்முறையை அடுத்த படி விளக்குகிறது:
இருந்து லாங்செயின். llms இறக்குமதி OpenAIஇருந்து லாங்செயின். சங்கிலிகள் இறக்குமதி உரையாடல் சங்கிலி
llm = OpenAI ( வெப்ப நிலை = 0 )
உரையாடல்_சுருக்கத்துடன் = உரையாடல் சங்கிலி (
llm = llm ,
நினைவு = உரையாடல் சுருக்கம் நினைவகம் ( llm = OpenAI ( ) ) ,
வாய்மொழி = உண்மை
)
உரையாடல்_சுருக்கத்துடன். கணிக்க ( உள்ளீடு = 'ஹலோ! எப்படி இருக்கிறீர்கள்' )
ஒரு மரியாதையான விசாரணையுடன் உரையாடலைத் தொடங்குவதன் மூலம் சங்கிலிகளை உருவாக்கத் தொடங்கியுள்ளோம்:
இப்போது கடைசி வெளியீட்டை விரிவுபடுத்துவது பற்றி இன்னும் கொஞ்சம் கேட்டு உரையாடலில் ஈடுபடுங்கள்:
உரையாடல்_சுருக்கத்துடன். கணிக்க ( உள்ளீடு = 'அதைப் பற்றி மேலும் சொல்லுங்கள்!' )AI தொழில்நுட்பம் அல்லது சாட்போட் பற்றிய விரிவான அறிமுகத்துடன் கடைசி செய்தியை மாடல் விளக்கியுள்ளது:
உரையாடலை ஒரு குறிப்பிட்ட திசையில் கொண்டு செல்ல, முந்தைய வெளியீட்டில் இருந்து ஆர்வமுள்ள ஒரு புள்ளியைப் பிரித்தெடுக்கவும்:
உரையாடல்_சுருக்கத்துடன். கணிக்க ( உள்ளீடு = 'ஆச்சரியம் இந்த திட்டம் எவ்வளவு நல்லது?' )உரையாடல் சுருக்க நினைவக நூலகத்தைப் பயன்படுத்தி பாட்டில் இருந்து விரிவான பதில்களைப் பெறுகிறோம்:
LangChain இல் உரையாடல் சுருக்கத்தைப் பயன்படுத்துவது பற்றியது.
முடிவுரை
LangChain இல் உரையாடல் சுருக்க செய்தியைப் பயன்படுத்த, சுற்றுச்சூழலை அமைக்க தேவையான தொகுதிகள் மற்றும் கட்டமைப்புகளை நிறுவவும். சூழல் அமைக்கப்பட்டதும், இறக்குமதி செய்யவும் உரையாடல் சுருக்கம் நினைவகம் OpenAI() முறையைப் பயன்படுத்தி LLMகளை உருவாக்க நூலகம். அதன் பிறகு, முந்தைய உரையாடலின் சுருக்கமான மாதிரிகளிலிருந்து விரிவான வெளியீட்டைப் பிரித்தெடுக்க உரையாடல் சுருக்கத்தைப் பயன்படுத்தவும். LangChain தொகுதியைப் பயன்படுத்தி உரையாடல் சுருக்க நினைவகத்தைப் பயன்படுத்துவதற்கான செயல்முறையை இந்த வழிகாட்டி விவரித்துள்ளது.