Ako používať pamäť entít v LangChain?

LangChain je modul, ktorý umožňuje vytvárať modely, ktoré dokážu spracovať prirodzené jazyky, čo sú jazyky, ktoré ľudia používajú na komunikáciu. LangChain obsahuje všetky požadované moduly a závislosti, ktoré možno použiť na vytváranie veľkých jazykových modelov alebo chatbotov. Tieto modely je potrebné trénovať, aby sa naučili prirodzený jazyk na generovanie textov na základe dopytov poskytnutých používateľom.

Táto príručka bude ilustrovať proces používania pamäte entít v LangChain.

Ako používať pamäť entít v LangChain?

Entita sa používa na uchovanie kľúčových faktov uložených v pamäti na extrakciu, keď sa na to človek pýta pomocou dotazov/výziev. Ak sa chcete naučiť proces používania pamäte entít v LangChain, jednoducho navštívte nasledujúcu príručku:

Krok 1: Nainštalujte moduly

Najprv nainštalujte modul LangChain pomocou príkazu pip, aby ste získali jeho závislosti:

pip install langchain

Potom nainštalujte modul OpenAI, aby ste získali jeho knižnice na vytváranie LLM a chatovacích modelov:

pip install openai

Nastavte prostredie OpenAI pomocou kľúča API, ktorý možno extrahovať z účtu OpenAI:

importovať vy

importovať getpass

vy . približne [ 'OPENAI_API_KEY' ] = getpass . getpass ( 'OpenAI API Key:' )

Krok 2: Použitie pamäte entít

Ak chcete použiť pamäť entity, importujte požadované knižnice na zostavenie LLM pomocou metódy OpenAI():

od langchain. llms importovať OpenAI

od langchain. Pamäť importovať ConversationEntityMemory

llm = OpenAI ( teplota = 0 )

Potom definujte Pamäť premennej pomocou metódy ConversationEntityMemory() na trénovanie modelu pomocou vstupných a výstupných premenných:

Pamäť = ConversationEntityMemory ( llm = llm )

_vstup = { 'vstup' : 'Joe are Root robili projekt' }

Pamäť. load_memory_variables ( _vstup )

Pamäť. save_context (

_vstup ,

{ 'výkon' : 'Skvelé! Čo je to za projekt?' }

)

Teraz otestujte pamäť pomocou dotazu/výzvy v vstup premennej volaním metódy load_memory_variables():

Pamäť. load_memory_variables ( { 'vstup' : 'kto je root' } )

Teraz uveďte ďalšie informácie, aby model mohol pridať niekoľko ďalších entít do pamäte:

Pamäť = ConversationEntityMemory ( llm = llm , návratové_správy = Pravda )

_vstup = { 'vstup' : 'Joe are Root robili projekt' }

Pamäť. load_memory_variables ( _vstup )

Pamäť. save_context (

_vstup ,

{ 'výkon' : 'Skvelé! Čo je to za projekt' }

)

Vykonajte nasledujúci kód, aby ste získali výstup pomocou entít, ktoré sú uložené v pamäti. Je to možné prostredníctvom vstup obsahujúci výzvu:

Pamäť. load_memory_variables ( { 'vstup' : 'kto je Joe' } )

Krok 3: Použitie pamäte entít v reťazci

Ak chcete použiť pamäť entity po vytvorení reťazca, jednoducho importujte požadované knižnice pomocou nasledujúceho bloku kódu:

od langchain. reťaze importovať ConversationChain

od langchain. Pamäť importovať ConversationEntityMemory

od langchain. Pamäť . výzva importovať ENTITY_MEMORY_CONVERSATION_TEMPLATE

od pydantický importovať BaseModel

od písanie na stroji importovať Zoznam , Dikt , akýkoľvek

Zostavte model konverzácie pomocou metódy ConversationChain() s použitím argumentov ako llm:

rozhovor = ConversationChain (

llm = llm ,

podrobný = Pravda ,

výzva = ENTITY_MEMORY_CONVERSATION_TEMPLATE ,

Pamäť = ConversationEntityMemory ( llm = llm )

)

Zavolajte metódu conversion.predict() so vstupom inicializovaným výzvou alebo dotazom:

rozhovor. predpovedať ( vstup = 'Joe are Root robili projekt' )

Teraz získajte samostatný výstup pre každú entitu popisujúcu informácie o nej:

rozhovor. Pamäť . entity_store . obchod

Použite výstup z modelu na zadanie vstupu, aby model mohol uložiť viac informácií o týchto entitách:

rozhovor. predpovedať ( vstup = „Snažia sa pridať do Langchainu zložitejšie pamäťové štruktúry“ )

Po zadaní informácií, ktoré sa ukladajú do pamäte, jednoducho položte otázku, aby ste získali konkrétne informácie o entitách:

rozhovor. predpovedať ( vstup = 'Čo vieš o Joeovi a Rootovi' )

Krok 4: Testovanie úložiska pamäte

Používateľ môže priamo skontrolovať pamäťové úložiská a získať informácie v nich uložené pomocou nasledujúceho kódu:

od vytlačiť importovať vytlačiť

vytlačiť ( rozhovor. Pamäť . entity_store . obchod )

Poskytnite viac informácií, ktoré sa majú uložiť do pamäte, pretože viac informácií poskytuje presnejšie výsledky:

rozhovor. predpovedať ( vstup = „Root založil firmu s názvom HJRS“ )

Extrahujte informácie z pamäte po pridaní ďalších informácií o entitách:

od vytlačiť importovať vytlačiť

vytlačiť ( rozhovor. Pamäť . entity_store . obchod )

Pamäť obsahuje informácie o viacerých entitách, ako sú HJRS, Joe, LangChain a Root:

Teraz extrahujte informácie o konkrétnej entite pomocou dotazu alebo výzvy definovanej vo vstupnej premennej:

rozhovor. predpovedať ( vstup = 'Čo viete o Root' )

To je všetko o používaní pamäte entít pomocou rámca LangChain.

Záver

Ak chcete použiť pamäť entity v LangChain, jednoducho nainštalujte požadované moduly na import knižníc potrebných na zostavenie modelov po nastavení prostredia OpenAI. Potom vytvorte model LLM a uložte entity do pamäte poskytnutím informácií o entitách. Používateľ môže tiež extrahovať informácie pomocou týchto entít a vytvárať tieto pamäte v reťazcoch s miešanými informáciami o entitách. Tento príspevok rozpracoval proces používania pamäte entít v LangChain.

Ako používať pamäť entít v LangChain?