Rýchly prehľad
Tento príspevok bude demonštrovať nasledovné:
- Ako získať prístup k prechodným krokom agenta v LangChain
- Inštalácia rámcov
- Nastavenie prostredia OpenAI
- Import knižníc
- Budovanie LLM a agent
- Používanie agenta
- Metóda 1: Predvolený typ návratu na prístup k prechodným krokom
- Metóda 2: Použitie „výpisov“ na prístup k prechodným krokom
- Záver
Ako získať prístup k prechodným krokom agenta v LangChain?
Na zostavenie agenta v LangChain musí používateľ nakonfigurovať svoje nástroje a štruktúru šablóny, aby získal počet krokov zahrnutých v modeli. Agent je zodpovedný za automatizáciu medzikrokov, ako sú myšlienky, činy, pozorovania atď. Ak sa chcete dozvedieť, ako získať prístup k medzikrokom agenta v LangChain, jednoducho postupujte podľa uvedených krokov:
Krok 1: Inštalácia rámcov
Najprv jednoducho nainštalujte závislosti LangChain spustením nasledujúceho kódu v Python Notebook:
pip install langchain_experimental
Nainštalujte modul OpenAI, aby ste získali jeho závislosti pomocou pip príkaz a použite ich na zostavenie jazykového modelu:
pip install openai
Krok 2: Nastavenie prostredia OpenAI
Po nainštalovaní modulov nastavte Prostredie OpenAI pomocou kľúča API vygenerovaného z jeho účtu:
importovať vy
importovať getpass
vy. približne [ 'OPENAI_API_KEY' ] = getpass. getpass ( 'OpenAI API Key:' )
Krok 3: Importovanie knižníc
Teraz, keď máme nainštalované závislosti, použite ich na import knižníc z LangChain:
z langchainu. agentov importovať load_toolsz langchainu. agentov importovať initialize_agent
z langchainu. agentov importovať Typ agenta
z langchainu. llms importovať OpenAI
Krok 4: Budovanie LLM a agenta
Keď sú knižnice naimportované, je čas použiť ich na zostavenie jazykového modelu a nástrojov pre agenta. Definujte premennú llm a priraďte ju k metóde OpenAI() obsahujúcej argumenty teplota a názov_modelu. ' nástrojov premenná obsahuje metódu load_tools() s nástrojmi SerpAPi a llm-math a jazykový model v argumente:
llm = OpenAI ( teplota = 0 , meno modela = 'text-davinci-002' )nástrojov = load_tools ( [ 'serpapi' , 'llm-math' ] , llm = llm )
Po nakonfigurovaní jazykového modelu a nástrojov jednoducho navrhnite agenta, aby vykonal medzikroky pomocou nástrojov v jazykovom modeli:
agent = initialize_agent (nástrojov ,
llm ,
agent = Typ agenta. ZERO_SHOT_REACT_DESCRIPTION ,
podrobný = Pravda ,
return_intermediate_steps = Pravda ,
)
Krok 5: Použitie agenta
Teraz otestujte agenta položením otázky vo vstupe metódy agent() a jej spustením:
odpoveď = agent ({
'vstup' : 'Kto je priateľka Lea DiCapria a aký je ich vekový rozdiel?'
}
)
Model pracoval efektívne, aby získal meno priateľky Lea DiCapria, jej vek, vek Lea DiCapria a rozdiel medzi nimi. Nasledujúca snímka obrazovky zobrazuje niekoľko otázok a odpovedí, ktoré agent hľadal, aby sa dostal ku konečnej odpovedi:
Vyššie uvedená snímka obrazovky nezobrazuje prácu agenta a spôsob, akým sa dostane do tejto fázy, aby našiel všetky odpovede. Prejdime na ďalšiu časť, kde nájdete kroky:
Metóda 1: Predvolený typ návratu na prístup k prechodným krokom
Prvým spôsobom prístupu k medzikroku je použitie predvoleného typu návratu, ktorý ponúka LangChain pomocou nasledujúceho kódu:
vytlačiť ( odpoveď [ 'medzikroky' ] )Nasledujúci GIF zobrazuje medzikroky v jednom riadku, čo nie je celkom dobré, pokiaľ ide o aspekt čitateľnosti:
Metóda 2: Použitie „výpisov“ na prístup k prechodným krokom
Ďalšia metóda vysvetľuje ďalší spôsob, ako získať medzikroky pomocou knižnice výpisov z rámca LangChain. Použite metódu dumps() s argumentom pretty, aby bol výstup štruktúrovanejší a ľahko čitateľný:
z langchainu. naložiť . skládka importovať skládkyvytlačiť ( skládky ( odpoveď [ 'medzikroky' ] , pekná = Pravda ) )
Teraz máme výstup v štruktúrovanejšej forme, ktorá je pre používateľa ľahko čitateľná. Je tiež rozdelená do viacerých častí, aby to dávalo väčší zmysel, a každá časť obsahuje kroky na nájdenie odpovedí na otázky:
To je všetko o prístupe k medzikrokom agenta v LangChain.
Záver
Ak chcete získať prístup k medzikrokom agenta v LangChain, nainštalujte moduly na importovanie knižníc na vytváranie jazykových modelov. Potom nastavte nástroje na inicializáciu agenta pomocou nástrojov, llm a typu agenta, ktorý dokáže odpovedať na otázky. Keď je agent nakonfigurovaný, otestujte ho, aby ste získali odpovede, a potom použite knižnicu predvolených typov alebo výpisov na prístup k medzikrokom. Táto príručka rozpracovala proces prístupu k medzikrokom agenta v LangChain.