Táto príručka bude ilustrovať proces používania príkladu výberu pomocou selektora maximálnej okrajovej relevancie v LangChain.
Ako používať výber podľa maximálnej okrajovej relevancie (MMR) v LangChain?
Selektor príkladu maximálnej okrajovej relevantnosti sa používa na extrahovanie informácií pomocou kosínusovej podobnosti výzvy a príkladu. Kosínusová podobnosť sa vypočíta po použití metód vkladania do údajov a prevode textu do číselnej formy.
Ak sa chcete naučiť proces používania príkladu selektora MMR v LangChain, jednoducho prejdite uvedenými krokmi:
Krok 1: Nainštalujte moduly
Začnite proces inštaláciou závislostí LangChain pomocou príkazu pip:
pip install langchain
Nainštalujte modul OpenAI, aby ste mohli použiť jeho prostredie na aplikáciu metódy OpenAIEmbedding():
pip install openai
Nainštalujte rámec FAISS, ktorý možno použiť na získanie výstupu pomocou sémantickej podobnosti:
pip install faiss-gpu
Teraz nainštalujte tiktoken tokenizer na rozdelenie textu na menšie časti pomocou nasledujúceho kódu:
pip nainštalovať tiktoken
Krok 2: Používanie knižníc a príkladov
Ďalším krokom je import knižníc na vytvorenie vzorového selektora MMR, FAISS, OpenAIEmbeddings a PromptTemplate. Po importovaní knižníc jednoducho vytvorte vzorovú množinu, ktorá poskytuje vstupy a výstupy pre ich príslušné vstupy vo viacerých poliach:
od langchain. výzvy . example_selector importovať (MaxMarginalRelevanceExampleSelector ,
SemanticSimilarityExampleSelector ,
)
od langchain. vectorstores importovať FAISS
od langchain. vsadenia importovať OpenAIEmbeddings
od langchain. výzvy importovať FewShotPromptTemplate , PromptTemplate
example_prompt = PromptTemplate (
vstupné_premenné = [ 'vstup' , 'výkon' ] ,
šablóna = 'Vstup: {input} \n Výstup: {output}' ,
)
príklady = [
{ 'vstup' : 'šťasný' , 'výkon' : 'smutny' } ,
{ 'vstup' : 'vysoký' , 'výkon' : 'krátky' } ,
{ 'vstup' : 'energický' , 'výkon' : 'letargický' } ,
{ 'vstup' : 'slnečno' , 'výkon' : 'pochmúrny' } ,
{ 'vstup' : 'veterno' , 'výkon' : 'pokojný' } ,
]
Krok 3: Výber príkladu budovy
Teraz začnite vytvárať vzorový selektor MMR pomocou metódy MaxMarginalRelevanceExampleSelector() obsahujúcej rôzne parametre:
example_selector = MaxMarginalRelevanceExampleSelector. from_examples (príklady ,
OpenAIEmbeddings ( ) ,
FAISS ,
k = 2 ,
)
mmr_prompt = FewShotPromptTemplate (
example_selector = example_selector ,
example_prompt = example_prompt ,
predpona = 'Uveďte antonymum každého vstupu' ,
prípona = 'Vstup: {prídavné meno} \n Výkon:' ,
vstupné_premenné = [ 'prídavné meno' ] ,
)
Krok 4: Testovanie voliča príkladov MMR
Otestujte vzorový selektor MMR maximálnej okrajovej relevancie jeho volaním v metóde print() so vstupom:
vytlačiť ( mmr_prompt. formát ( prídavné meno = 'ustarostený' ) )
Krok 5: Použitie SemanticSimilarity
Tento krok používa metódu SemanticSimilarityExampleSelector() a potom používa metódu FewShotPromptTemplate(), ktorú podporuje LangChain:
example_selector = SemanticSimilarityExampleSelector. from_examples (príklady ,
OpenAIEmbeddings ( ) ,
FAISS ,
k = 2 ,
)
podobná_výzva = FewShotPromptTemplate (
example_selector = example_selector ,
example_prompt = example_prompt ,
predpona = 'Uveďte antonymum každého vstupu' ,
prípona = 'Vstup: {prídavné meno} \n Výkon:' ,
vstupné_premenné = [ 'prídavné meno' ] ,
)
vytlačiť ( podobná_výzva. formát ( prídavné meno = 'ustarostený' ) )
To je všetko o použití výberu podľa maximálnej okrajovej relevancie alebo MMR v LangChain.
Záver
Ak chcete použiť výber podľa maximálnej okrajovej relevancie alebo vzorový selektor MMR v LangChain, nainštalujte požadované moduly. Potom naimportujte knižnice na zostavenie vzorovej sady pomocou šablóny vstupného a výstupného príkazu. Zostavte vzorový selektor MMR a otestujte ho pomocou vzorového selektora MMR a metódy FewShotPromptTemplate() na získanie relevantného výstupu. Táto príručka ilustruje proces používania vzorového selektora select-by-MMR v LangChain.