LangChain je rámec s aplikáciou v oblasti spracovania prirodzeného jazyka alebo NLP na vytváranie modelov v jazykoch podobných ľuďom. Tieto modely môžu ľudia použiť na získanie odpovedí od modelu alebo na konverzáciu ako ktorýkoľvek iný človek. LangChain sa používa na vytváranie reťazcov ukladaním každej vety v konverzácii a jej ďalšou interakciou ako kontextu.
Tento príspevok bude ilustrovať proces budovania LLM a LLMChain v LangChain.
Ako vybudovať LLM a LLMCain v LangChain?
Ak chcete vybudovať LLM a LLMChain v LangChain, jednoducho prejdite uvedenými krokmi:
Krok 1: Nainštalujte moduly
Najprv si nainštalujte modul LangChain, aby ste mohli používať jeho knižnice na budovanie LLM a LLMChain:
pip install langchain
Ďalším modulom, ktorý je potrebný na zostavenie LLM, je OpenAI a možno ho nainštalovať pomocou príkazu pip:
pip install openai
Krok 2: Nastavte prostredie
Nastavte prostredie pomocou kľúča OpenAI API z jeho prostredia:
importujte násimport getpassos.environ['OPENAI_API_KEY'] = getpass.getpass('Kľúč OpenAI API:')
Príklad 1: Zostavte LLM pomocou LangChain
Prvým príkladom je vytvorenie veľkých jazykových modelov pomocou LangChain importovaním knižníc OpenAI a ChatOpenAI a pomocou funkcie use llm():
Krok 1: Použitie modelu chatu LLM
Importujte moduly OpenAI a ChatOpenAI na vytvorenie jednoduchého LLM pomocou prostredia OpenAI z LangChain:
z langchain.chat_models importujte ChatOpenAIz langchain.llms importujte OpenAI
llm = OpenAI()
chat_model = ChatOpenAI()
llm.predict('ahoj!')
Model odpovedal odpoveďou „ahoj“, ako je zobrazené na nasledujúcej snímke obrazovky nižšie:
Funkcia predikcie () z chat_model sa používa na získanie odpovede alebo odpovede z modelu:
chat_model.predict('ahoj!')Výstup zobrazuje, že model je k dispozícii používateľovi, ktorý kladie otázky:
Krok 2: Použitie textového dotazu
Používateľ môže tiež získať odpovede z modelu zadaním celej vety do textovej premennej:
text = 'Aký by bol dobrý názov spoločnosti pre spoločnosť, ktorá vyrába farebné ponožky?'llm.predict(text)
Model zobrazuje viaceré farebné kombinácie pre farebné ponožky:
Získajte podrobnú odpoveď od modelu pomocou funkcie Predikcia () s farebnými kombináciami ponožiek:
chat_model.predict(text)
Krok 3: Používanie textu s obsahom
Používateľ môže dostať odpoveď s malým vysvetlením odpovede:
z langchain.schema import HumanMessagetext = 'Aký názov by bol dobrý pre spoločnosť vyrábajúcu farebné oblečenie'
správy = [HumanMessage(content=text)]
llm.predict_messages(správy)
Model vytvoril názov pre spoločnosť, ktorý je „Creative Clothing Co“:
Predpovedajte správu, aby ste dostali odpoveď na názov spoločnosti aj s jej vysvetlením:
chat_model.predict_messages(správy)
Príklad 2: Zostavte LLMCain pomocou LangChain
Druhý príklad nášho sprievodcu vytvára LLMChain, aby model dostal vo formáte ľudskej interakcie, aby sa spojili všetky kroky z predchádzajúceho príkladu:
z langchain.chat_models importujte ChatOpenAIz langchain.prompts.chat importovať šablónu ChatPromptTemplate
z langchain.prompts.chat importovať šablónu ChatPromptTemplate
from langchain.prompts.chat import SystemMessagePromptTemplatefrom langchain.prompts.chat import HumanMessagePromptTemplate
z langchain.chains importujte LLMCain
from langchain.schema import BaseOutputParserclass CommaSeparatedListOutputParser(BaseOutputParser):
def parse(self, text: str):
return text.strip().split(', ')
Vytvorte šablónu pre model chatu podrobným vysvetlením jeho fungovania a potom vytvorte funkciu LLMChain() obsahujúcu knižnice LLM, výstupný analyzátor a chat_prompt:
template = '''Musíte pomôcť pri vytváraní zoznamov oddelených čiarkamiZískajte kategóriu od používateľa a vytvorte zoznam oddelený čiarkami s piatimi objektmi
Jediná vec by mala byť objekt z kategórie'''
system_message_prompt = SystemMessagePromptTemplate.from_template(šablóna)
human_template = '{text}'
human_message_prompt = HumanMessagePromptTemplate.from_template(human_template)
#Nakonfigurujte LLMChain so štruktúrou dotazu
chat_prompt = ChatPromptTemplate.from_messages([system_message_prompt, human_message_prompt])
reťaz = LLMChain(
llm=ChatOpenAI(),
prompt=chat_prompt,
output_parser=CommaSeparatedListOutputParser()
)
chain.run('farby')
Model poskytol odpoveď so zoznamom farieb, pretože kategória by mala obsahovať iba 5 objektov uvedených vo výzve:
To je všetko o budovaní LLM a LLMChain v LangChain.
Záver
Ak chcete vybudovať LLM a LLMCain pomocou LangChain, jednoducho nainštalujte moduly LangChain a OpenAI a nastavte prostredie pomocou jeho kľúča API. Potom vytvorte model LLM pomocou chat_model po vytvorení šablóny výzvy pre jeden dotaz na úplný rozhovor. LLMChain sa používajú na vytvorenie reťazcov všetkých pozorovaní v konverzácii a ich použitie ako kontextu interakcie. Tento príspevok ilustruje proces budovania LLM a LLMChain pomocou rámca LangChain.