Kako dodati memoriju OpenAI Functions Agentu u LangChainu?

OpenAI je organizacija umjetne inteligencije (AI) koja je nastala 2015. godine i u početku je bila neprofitna organizacija. Microsoft je uložio puno bogatstva od 2020. jer obrada prirodnog jezika (NLP) s AI doživljava procvat s chatbotovima i jezičnim modelima.

Izrada OpenAI agenata omogućuje programerima da dobiju čitljivije i preciznije rezultate s interneta. Dodavanje memorije agentima omogućuje im bolje razumijevanje konteksta razgovora i pohranjivanje prethodnih razgovora u njihovu memoriju. Kako biste naučili postupak dodavanja memorije agentu funkcija OpenAI u LangChainu, jednostavno prođite kroz sljedeće korake:

Korak 1: Instalacija Frameworks

Prije svega, instalirajte LangChain ovisnosti iz “langchain-eksperimentalno” okvir pomoću sljedećeg koda:

pip instalirati langchain - eksperimentalni

Instalirajte “google-rezultati-pretrage” modul za dobivanje rezultata pretraživanja s Google poslužitelja:

pip instaliraj google - traži - rezultate

Također, instalirajte OpenAI modul koji se može koristiti za izgradnju jezičnih modela u LangChainu:

pip instaliraj openai

Korak 2: Postavljanje okruženja

Nakon što nabavite module, postavite okruženja koristeći API ključeve iz OpenAI i SerpAPi računi:

uvoz vas
uvoz getpass

vas. približno [ 'OPENAI_API_KEY' ] = getpass. getpass ( 'OpenAI API ključ:' )
vas. približno [ 'SERPAPI_API_KEY' ] = getpass. getpass ( 'Serpapi API ključ:' )

Izvršite gornji kod za unos API ključeva za pristup okruženju i pritisnite enter za potvrdu:

Korak 3: Uvoz biblioteka

Sada kada je postavljanje dovršeno, upotrijebite ovisnosti instalirane iz LangChaina za uvoz potrebnih biblioteka za izgradnju memorije i agenata:

iz Langchaina. lanci uvoz LLMMathChain
iz Langchaina. llms uvoz OpenAI
#nabavite knjižnicu za pretraživanje od Googlea preko interneta
iz Langchaina. komunalije uvoz SerpAPIWrapper
iz Langchaina. komunalije uvoz SQLDatabase
od langchain_experimental. sql uvoz SQLDatabaseChain
#nabavite biblioteku za izradu alata za inicijaliziranje agenta
iz Langchaina. agenti uvoz AgentType , Alat , inicijalizirati_agent
iz Langchaina. chat_modeli uvoz ChatOpenAI

Korak 4: Izrada baze podataka

Da bismo nastavili s ovim vodičem, moramo izgraditi bazu podataka i povezati se s agentom kako bismo iz nje izvukli odgovore. Za izgradnju baze podataka, potrebno je preuzeti SQLite pomoću ovoga vodič i potvrdite instalaciju pomoću sljedeće naredbe:

sqlite3

Pokretanje gornje naredbe u Windows terminal prikazuje instaliranu verziju SQLite-a (3.43.2):

Nakon toga jednostavno idite u direktorij na vašem računalu gdje će se baza podataka izgraditi i pohraniti:

cd radna površina
cd mydb
sqlite3 Chinook. db

Korisnik može jednostavno preuzeti sadržaj baze podataka iz ove veza u direktoriju i izvršite sljedeću naredbu za izgradnju baze podataka:

. čitati Chinook_Sqlite. sql
IZABERI * OD Artist LIMIT 10 ;

Baza podataka je uspješno izgrađena i korisnik može tražiti podatke iz nje pomoću različitih upita:

Korak 5: Učitavanje baze podataka

Nakon što je baza podataka uspješno izgrađena, učitajte “.db” datoteku u Google Collaboratory pomoću sljedećeg koda:

s googlea. ET AL uvoz datoteke
učitano = datoteke. Učitaj ( )

Odaberite datoteku iz lokalnog sustava klikom na “Odaberi datoteke” nakon izvršavanja gornjeg koda:

Nakon što se datoteka učita, jednostavno kopirajte putanju datoteke koja će se koristiti u sljedećem koraku:

Korak 6: Konfiguriranje jezičnog modela

Izgradite jezični model, lance, alate i lance pomoću sljedećeg koda:

llm = ChatOpenAI ( temperatura = 0 , model = 'gpt-3.5-turbo-0613' )
traži = SerpAPIWrapper ( )
llm_matematički_lanac = LLMMathChain. od_llm ( llm = llm , opširno = Pravi )
db = SQLDatabase. from_uri ( 'sqlite:///../../../../../content/Chinook.db' )
db_lanac = SQLDatabaseChain. od_llm ( llm , db , opširno = Pravi )
alata = [
Alat (
Ime = 'Traži' ,
funk = traži. trčanje ,
opis = 'Postavljajte ciljana pitanja kako biste dobili odgovore na pitanja o nedavnim aferama' ,
) ,
Alat (
Ime = 'Kalkulator' ,
funk = llm_matematički_lanac. trčanje ,
opis = 'korisno za odgovaranje/rješavanje matematičkih problema' ,
) ,
Alat (
Ime = 'FooBar-DB' ,
funk = db_lanac. trčanje ,
opis = 'korisno za odgovaranje na pitanja o FooBar-u, a unos bi trebao biti u obliku pitanja koje sadrži puni kontekst' ,
) ,
]

The llm varijabla sadrži konfiguracije jezičnog modela pomoću metode ChatOpenAI() s nazivom modela.
Potraga varijabla sadrži metodu SerpAPIWrapper() za izradu alata za agenta.
Izgradite llm_matematički_lanac kako biste dobili odgovore vezane uz domenu matematike pomoću metode LLMMathChain().
Varijabla db sadrži stazu datoteke koja ima sadržaj baze podataka. Korisnik treba promijeniti samo zadnji dio koji je “sadržaj/Chinook.db” staze držeći se “sqlite:///../../../../../” isto.
Izgradite drugi lanac za odgovaranje na upite iz baze podataka pomoću db_lanac varijabla.
Konfigurirajte alate poput traži , kalkulator , i FooBar-DB za traženje odgovora, odgovaranje na matematička pitanja i upite iz baze podataka:

Korak 7: Dodavanje memorije

Nakon konfiguriranja OpenAI funkcija, jednostavno izgradite i dodajte memoriju agentu:

iz Langchaina. upita uvoz MessagesPlaceholder
iz Langchaina. memorija uvoz ConversationBufferMemory

agent_kwargs = {
'extra_prompt_messages' : [ MessagesPlaceholder ( ime_varijable = 'memorija' ) ] ,
}
memorija = ConversationBufferMemory ( memorijski_ključ = 'memorija' , povratne_poruke = Pravi )

Korak 8: Inicijalizacija agenta

Posljednja komponenta za izgradnju i inicijalizaciju je agent, koji sadrži sve komponente poput llm , alat , OTVORENE_FUNKCIJE , i drugi koji će se koristiti u ovom procesu:

agent = inicijalizirati_agent (
alata ,
llm ,
agent = AgentType. OTVORENE_FUNKCIJE ,
opširno = Pravi ,
agent_kwargs = agent_kwargs ,
memorija = memorija ,
)

Korak 9: Testiranje agenta

Konačno, testirajte agenta pokretanjem razgovora koristeći ' bok ” poruka:

agent. trčanje ( 'bok' )

Dodajte neke informacije u memoriju pokretanjem agenta s njima:

agent. trčanje ( 'moje ime je John snow' )

Sada testirajte pamćenje postavljanjem pitanja o prethodnom chatu:

agent. trčanje ( 'kako se zovem' )

Agent je odgovorio s imenom dohvaćenim iz memorije tako da memorija uspješno radi s agentom:

To je sve za sada.

Zaključak

Da biste dodali memoriju agentu funkcija OpenAI u LangChainu, instalirajte module da biste dobili ovisnosti za uvoz biblioteka. Nakon toga jednostavno izradite bazu podataka i prenesite je u Python prijenosno računalo tako da se može koristiti s modelom. Konfigurirajte model, alate, lance i bazu podataka prije nego ih dodate agentu i inicijalizirajte ga. Prije testiranja memorije, izgradite memoriju pomoću ConversationalBufferMemory() i dodajte je agentu prije testiranja. Ovaj vodič razradio je kako dodati memoriju agentu funkcija OpenAI u LangChainu.

Kako dodati memoriju OpenAI Functions Agentu u LangChainu?

Brzi pregled