Ovaj će vodič ilustrirati proces pokretanja LLMChaina u LangChainu.
Kako pokrenuti LLMChains u LangChainu?
LangChain pruža značajke ili ovisnosti za izgradnju LLMChaina pomoću LLM-a/Chatbota i predložaka upita. Da biste naučili proces izgradnje i pokretanja LLMChaina u LangChainu, jednostavno slijedite sljedeći vodič korak po korak:
Korak 1: Instalirajte pakete
Prvo započnite s procesom instaliranjem modula LangChain da biste dobili njegove ovisnosti za izgradnju i pokretanje LLMChaina:
pip instalirati langchain
Instalirajte okvir OpenAI pomoću naredbe pip da bi biblioteke koristile funkciju OpenAI() za izgradnju LLM-a:
pip instaliraj openai
Nakon instalacije modula, jednostavno postaviti okruženje varijable pomoću API ključa s OpenAI računa:
uvoz vas
uvoz getpass
vas . približno [ 'OPENAI_API_KEY' ] = getpass . getpass ( 'OpenAI API ključ:' )
Korak 2: Uvezite biblioteke
Nakon što je postavljanje dovršeno i svi potrebni paketi instalirani, uvezite potrebne biblioteke za izradu predloška upita. Nakon toga jednostavno izgradite LLM pomoću OpenAI() metode i konfigurirajte LLMChain pomoću LLM-a i predloška upita:
iz langchain uvoz PromptTemplateiz langchain uvoz OpenAI
iz langchain uvoz LLMClanac
prompt_template = 'dajte mi dobar naziv za tvrtku koja proizvodi {product}?'
llm = OpenAI ( temperatura = 0 )
llm_lanac = LLMClanac (
llm = llm ,
potaknuti = PromptTemplate. iz_predloška ( prompt_template )
)
llm_lanac ( 'šarena odjeća' )
Korak 3: Pokretanje lanaca
Nabavite ulazni popis koji sadrži razne proizvode koje proizvodi tvrtka i pokrenite lanac za prikaz popisa na zaslonu:
popis_unosa = [{ 'proizvod' : 'čarape' } ,
{ 'proizvod' : 'Računalo' } ,
{ 'proizvod' : 'cipele' }
]
llm_lanac. primijeniti ( popis_unosa )
Pokrenite metodu generate() pomoću popis_unosa s LLMChains da biste dobili izlaz koji se odnosi na razgovor koji je generirao model:
llm_lanac. generirati ( popis_unosa )
Korak 4: Korištenje jednog ulaza
Dodajte još jedan proizvod za pokretanje LLMChaina koristeći samo jedan ulaz, a zatim predvidite da će LLMChain generirati izlaz:
llm_lanac. predvidjeti ( proizvod = 'šarene čarape' )Korak 5: Korištenje višestrukih ulaza
Sada izradite predložak za korištenje višestrukih ulaza za pružanje naredbe modelu prije pokretanja lanca:
šablona = '''Reci mi {pridjev} vic o {temi}.'''potaknuti = PromptTemplate ( šablona = šablona , ulazne_varijable = [ 'pridjev' , 'predmet' ] )
llm_lanac = LLMClanac ( potaknuti = potaknuti , llm = OpenAI ( temperatura = 0 ) )
llm_lanac. predvidjeti ( pridjev = 'tužan' , subjekt = 'patke' )
Korak 6: Korištenje izlaznog parsera
Ovaj korak koristi metodu izlaznog parsera za pokretanje LLMChaina da bi se dobio izlaz na temelju upita:
iz langchain. izlazni_parseri uvoz CommaSeparatedListOutputParserizlazni_parser = CommaSeparatedListOutputParser ( )
šablona = '''Nabroj sve dugine boje'''
potaknuti = PromptTemplate ( šablona = šablona , ulazne_varijable = [ ] , izlazni_parser = izlazni_parser )
llm_lanac = LLMClanac ( potaknuti = potaknuti , llm = llm )
llm_lanac. predvidjeti ( )
Korištenje metode parse() za dobivanje rezultata generirat će popis svih duginih boja odvojenih zarezima:
llm_lanac. predvidjeti_i_raščlaniti ( )
Korak 7: Inicijalizacija iz nizova
Ovaj korak objašnjava postupak korištenja niza kao odzivnika za pokretanje LLMChaina pomoću LLM modela i predloška:
šablona = '''Reci mi {pridjev} vic o {temi}'''llm_lanac = LLMClanac. iz_niza ( llm = llm , šablona = šablona )
Navedite vrijednosti varijabli u upitu niza kako biste dobili izlaz iz modela pokretanjem LLMChaina:
llm_lanac. predvidjeti ( pridjev = 'tužan' , subjekt = 'patke' )To je sve o pokretanju LLMChainsa pomoću okvira LangChain.
Zaključak
Da biste izgradili i pokrenuli LLMChains u LangChainu, instalirajte preduvjete poput paketa i postavite okruženje pomoću API ključa OpenAI-ja. Nakon toga uvezite potrebne biblioteke za konfiguriranje predloška upita i modela za pokretanje LLMChaina pomoću ovisnosti LangChaina. Korisnik može koristiti izlazne parsere i string naredbe za pokretanje LLMChainsa kao što je prikazano u vodiču. Ovaj vodič razradio je cijeli proces pokretanja LLMChaina u LangChainu.