விரைவான அவுட்லைன்
இந்த இடுகை பின்வருவனவற்றை நிரூபிக்கும்:
தேடல் சங்கிலியுடன் சுய-கேள்வியை எவ்வாறு செயல்படுத்துவது
- கட்டமைப்புகளை நிறுவுதல்
- கட்டிட சூழல்
- நூலகங்களை இறக்குமதி செய்கிறது
- மொழி மாதிரிகளை உருவாக்குதல்
- LangChain வெளிப்பாடு மொழியைப் பயன்படுத்துதல்
- முகவர் நிறைவேற்றுபவரை உள்ளமைத்தல்
- முகவரை இயக்குதல்
- சுய-கேள்வி முகவரைப் பயன்படுத்துதல்
தேடல் சங்கிலியுடன் சுய-கேள்வியை எவ்வாறு செயல்படுத்துவது?
சுய-கேள்வி என்பது கட்டளைகளை முழுமையாக புரிந்துகொள்வதால் சங்கிலி செயல்முறையை மேம்படுத்துவதற்கான செயல்முறையாகும். தரவுத்தொகுப்பில் இருந்து அனைத்து முக்கியமான விதிமுறைகள் பற்றிய தரவைப் பிரித்தெடுப்பதன் மூலம் சங்கிலிகள் கேள்வியைப் புரிந்துகொள்கின்றன. மாதிரி பயிற்சியளிக்கப்பட்டு, வினவலைப் புரிந்துகொண்டவுடன், அது பயனரால் கேட்கப்படும் வினவலுக்குப் பதிலை உருவாக்குகிறது.
LangChain இல் உள்ள தேடல் சங்கிலிகள் மூலம் சுய-கேட்குதலை செயல்படுத்தும் செயல்முறையை அறிய, பின்வரும் வழிகாட்டியைப் பார்க்கவும்:
படி 1: கட்டமைப்புகளை நிறுவுதல்
முதலில், பின்வரும் குறியீட்டைப் பயன்படுத்தி LangChain செயல்முறையை நிறுவுவதன் மூலம் செயல்முறையைத் தொடங்கவும் மற்றும் செயல்முறைக்கான அனைத்து சார்புகளையும் பெறவும்:
pip நிறுவல் langchain
LangChain ஐ நிறுவிய பின், 'ஐ நிறுவவும் google-search-results ” OpenAI சூழலைப் பயன்படுத்தி Google இலிருந்து தேடல் முடிவுகளைப் பெற:
pip நிறுவு openai google-search-results
படி 2: சூழலை உருவாக்குதல்
தொகுதிகள் மற்றும் கட்டமைப்புகள் நிறுவப்பட்டதும், அதற்கான சூழலை அமைக்கவும் OpenAI மற்றும் SerpAPi பின்வரும் குறியீட்டைப் பயன்படுத்தி அவற்றின் APIகளைப் பயன்படுத்துகிறது. அந்தந்த கணக்குகளில் இருந்து API விசைகளை உள்ளிட பயன்படுத்தக்கூடிய os மற்றும் getpass நூலகங்களை இறக்குமதி செய்யவும்:
இறக்குமதி நீஇறக்குமதி கெட்பாஸ்
நீ . தோராயமாக [ 'OPENAI_API_KEY' ] = கெட்பாஸ் . கெட்பாஸ் ( 'OpenAI API விசை:' )
நீ . தோராயமாக [ 'SERPAPI_API_KEY' ] = கெட்பாஸ் . கெட்பாஸ் ( 'Serpapi API விசை:' )
படி 3: நூலகங்களை இறக்குமதி செய்தல்
சூழலை அமைத்த பிறகு, LangChain சார்புகளான பயன்பாடுகள், முகவர்கள், llm மற்றும் பிறவற்றிலிருந்து தேவையான நூலகங்களை இறக்குமதி செய்யவும்:
இருந்து லாங்செயின். llms இறக்குமதி OpenAIஇருந்து லாங்செயின். பயன்பாடுகள் இறக்குமதி SerpAPIWrapper
இருந்து லாங்செயின். முகவர்கள் . வெளியீடு_பாகுபடுத்திகள் இறக்குமதி SelfAskOutputParser
இருந்து லாங்செயின். முகவர்கள் . format_scratchpad இறக்குமதி format_log_to_str
இருந்து லாங்செயின் இறக்குமதி மையம்
இருந்து லாங்செயின். முகவர்கள் இறக்குமதி துவக்க_முகவர் , கருவி
இருந்து லாங்செயின். முகவர்கள் இறக்குமதி முகவர் வகை
படி 4: மொழி மாதிரிகளை உருவாக்குதல்
மொழி மாதிரியை உள்ளமைக்க OpenAI() பயன்படுத்தப்படுவதால், மேலே உள்ள நூலகங்களைப் பெறுவது செயல்முறை முழுவதும் தேவைப்படுகிறது. தேடல் மாறியை உள்ளமைக்க SerpAPIWrapper() முறையைப் பயன்படுத்தவும் மற்றும் அனைத்து பணிகளையும் செய்ய முகவருக்குத் தேவையான கருவிகளை அமைக்கவும்:
llm = OpenAI ( வெப்ப நிலை = 0 )தேடல் = SerpAPIWrapper ( )
கருவிகள் = [
கருவி (
பெயர் = 'இடைநிலை பதில்' ,
செயல்பாடு = தேடல். ஓடு ,
விளக்கம் = 'தேடலுடன் நீங்கள் கேட்க வேண்டிய போது பயனுள்ளதாக இருக்கும்' ,
)
]
படி 5: LangChain எக்ஸ்பிரஷன் மொழியைப் பயன்படுத்துதல்
ப்ராம்ட் மாறியில் மாதிரியை ஏற்றுவதன் மூலம், LangChain Expression Language (LCEL) ஐப் பயன்படுத்தி முகவரை உள்ளமைக்கத் தொடங்குதல்:
உடனடியாக = மையம். இழுக்க ( 'hwchase17/self-ask-with-search' )உரையை உருவாக்குவதை நிறுத்தவும், பதில்களின் நீளத்தைக் கட்டுப்படுத்தவும் செயல்படுத்தக்கூடிய மற்றொரு மாறியை வரையறுக்கவும்:
llm_with_stop = llm கட்டுதல் ( நிறுத்து = [ ' \n இடைநிலை பதில்:' ] )இப்போது, கேள்விகளுக்கான பதில்களை உருவாக்க, நிகழ்வு-உந்துதல் சேவையகமற்ற தளமான Lambda ஐப் பயன்படுத்தி முகவர்களை உள்ளமைக்கவும். மேலும், முன்னர் கட்டமைக்கப்பட்ட கூறுகளைப் பயன்படுத்தி உகந்த முடிவுகளைப் பெற, மாதிரியைப் பயிற்றுவிக்கவும் சோதிக்கவும் தேவையான படிகளை உள்ளமைக்கவும்:
முகவர் = {'உள்ளீடு' : லாம்ப்டா x: x [ 'உள்ளீடு' ] ,
'agent_scratchpad' : லாம்ப்டா x: format_log_to_str (
எக்ஸ் [ 'இடைநிலை_படிகள்' ] ,
கவனிப்பு_ முன்னொட்டு = ' \n இடைநிலை பதில்: ' ,
llm_ முன்னொட்டு = '' ,
) ,
} | உடனடியாக | llm_with_stop | SelfAskOutputParser ( )
படி 6: ஏஜென்ட் எக்ஸிகியூட்டரை உள்ளமைத்தல்
முறையைச் சோதிப்பதற்கு முன், முகவரைப் பதிலளிக்கும்படி செய்ய, LangChain இலிருந்து AgentExecutor நூலகத்தை இறக்குமதி செய்யவும்:
இருந்து லாங்செயின். முகவர்கள் இறக்குமதி முகவர் நிறைவேற்றுபவர்AgentExecutor() முறையை அழைப்பதன் மூலம் agent_executor மாறியை வரையறுக்கவும் மற்றும் கூறுகளை அதன் வாதங்களாகப் பயன்படுத்தவும்:
முகவர்_செயல்படுத்துபவர் = முகவர் நிறைவேற்றுபவர் ( முகவர் = முகவர் , கருவிகள் = கருவிகள் , வாய்மொழி = உண்மை )படி 7: முகவரை இயக்குதல்
ஏஜென்ட் எக்ஸிகியூட்டர் கட்டமைக்கப்பட்டவுடன், உள்ளீட்டு மாறியில் கேள்வி/உரையை வழங்குவதன் மூலம் அதைச் சோதிக்கவும்:
முகவர்_செயல்படுத்துபவர். அழைக்கவும் ( { 'உள்ளீடு' : 'ஆண்களுக்கான யு.எஸ் ஓபன் சாம்பியன் யார்' } )மேலே உள்ள குறியீட்டை செயல்படுத்துவது, வெளியீட்டில் அமெரிக்க ஓபன் சாம்பியனின் பெயருடன் பதிலளிக்கப்பட்டது, அதாவது டொமினிக் தீம்:
படி 8: சுய-கேள்வி முகவரைப் பயன்படுத்துதல்
முகவரிடமிருந்து பதிலைப் பெற்ற பிறகு, பயன்படுத்தவும் SELF_ASK_WITH_SEARCH ரன்() முறையில் வினவலைக் கொண்ட முகவர்:
சுய_தேடலுடன்_கேளுங்கள் = துவக்க_முகவர் (கருவிகள் , llm , முகவர் = முகவர் வகை. SELF_ASK_WITH_SEARCH , வாய்மொழி = உண்மை
)
சுய_தேடலுடன்_கேளுங்கள். ஓடு (
அமெரிக்க ஓபன் உலக சாம்பியனான டொமினிக் தீமின் சொந்த ஊர் எது?
)
பின்வரும் ஸ்கிரீன்ஷாட், சுய-கேட்கும் முகவர் தரவுத்தொகுப்பிலிருந்து ஒவ்வொரு முக்கியமான காலத்தைப் பற்றிய தகவலைப் பிரித்தெடுக்கிறார் என்பதைக் காட்டுகிறது. வினவல் பற்றிய அனைத்து தகவல்களையும் சேகரித்து, கேள்விகளைப் புரிந்துகொண்டவுடன், அது வெறுமனே பதிலை உருவாக்குகிறது. முகவர் சுயமாகக் கேட்ட கேள்விகள்:
- டொமினிக் தீம் யார்?
- டொமினிக் தீமின் சொந்த ஊர் எது?
இந்தக் கேள்விகளுக்கான பதில்களைப் பெற்ற பிறகு, முகவர் அசல் கேள்விக்கான பதிலை உருவாக்கினார். வீனர் நியூஸ்டாட், ஆஸ்திரியா ”:
LangChain கட்டமைப்பைப் பயன்படுத்தி ஒரு தேடல் சங்கிலியுடன் சுய-கேள்வியை செயல்படுத்தும் செயல்முறையைப் பற்றியது அவ்வளவுதான்.
முடிவுரை
LangChain இல் தேடலுடன் சுய-கேட்குதலை செயல்படுத்த, முகவரிடமிருந்து முடிவுகளைப் பெற, google-search-results போன்ற தேவையான தொகுதிகளை நிறுவவும். அதன் பிறகு, செயல்முறையைத் தொடங்க OpenAI மற்றும் SerpAPi கணக்குகளிலிருந்து API விசைகளைப் பயன்படுத்தி சூழலை அமைக்கவும். முகவரை உள்ளமைத்து, AgentExecutor() முறையைப் பயன்படுத்தி சோதிக்க சுய-கேள்வி மாதிரியுடன் மாதிரியை உருவாக்கவும்.