Brzi pregled
Ovaj će post pokazati sljedeće:
Što su agenti u obradi prirodnog jezika (NLP)
Početak rada s agentima u LangChainu
- Instalacija Frameworks
- Konfigurirajte model razgovora
- Agent za izgradnju
- Pozivanje Agenta
- Konfigurirajte alate agenta
- Testiranje agenta
Što su agenti u obradi prirodnog jezika (NLP)?
Agenti su vitalne komponente aplikacije prirodnog jezika i koriste razumijevanje prirodnog jezika (NLU) za razumijevanje upita. Ovi su agenti programi koji djeluju poput predloška za razgovor za interakciju s ljudima pomoću niza zadataka. Agenti koriste više alata koje agent može pozvati za izvođenje više radnji ili određivanje sljedećeg zadatka za obavljanje.
Početak rada s agentima u LangChainu
Započnite proces izgradnje agenata za razgovor s ljudima izdvajanjem izlaza pomoću agenata u LangChainu. Kako biste naučili postupak početka rada s agentima u LangChainu, jednostavno slijedite dolje navedene korake:
Korak 1: Instalacija Frameworks
Prvo započnite s postupkom instaliranja okvira LangChain pomoću ' pip ” za dobivanje potrebnih ovisnosti za korištenje agenata:
pip instalirati langchain
Instalirajte OpenAI modul za izgradnju LLM-a i koristite ga za konfiguriranje agenata u LangChainu:
pip instaliraj openai
Postavite okruženje za OpenAI modul koristeći svoj API ključ iz računa pokretanjem sljedećeg koda:
uvoz vasuvoz getpass
vas . približno [ 'OPENAI_API_KEY' ] = getpass . getpass ( 'OpenAI API ključ:' )
Korak 2: Konfigurirajte model razgovora
Uvezite ChatOpenAI modul iz LangChaina da biste izgradili LLM koristeći njegovu funkciju:
iz langchain. chat_modeli uvoz ChatOpenAIllm = ChatOpenAI ( temperatura = 0 )
Uvezite alate za agenta za konfiguriranje zadataka ili radnji koje agent mora izvršiti. Sljedeći kod koristi metodu get_word_length() za dobivanje duljine riječi koju je naveo korisnik:
iz langchain. agenti uvoz alat@ alat
def dobiti_dužinu_riječi ( riječ: str ) - > int :
'''dohvaćanje duljine riječi'''
povratak samo ( riječ )
alata = [ dobiti_dužinu_riječi ]
Konfigurirajte predložak ili strukturu za model chata kako biste stvorili sučelje za chat:
iz langchain. upita uvoz ChatPromptTemplate , MessagesPlaceholderpotaknuti = ChatPromptTemplate. iz_poruka ( [
( 'sustav' , 'vaš je pomoćnik prilično nevjerojatan, ali potrebno mu je poboljšanje u izračunavanju duljina' ) ,
( 'korisnik' , '{ulazni}' ) ,
MessagesPlaceholder ( ime_varijable = 'agent_scratchpad' ) ,
] )
Korak 3: Agent za izgradnju
Uvezite biblioteku alata za izgradnju LLM-a s alatima koji koriste OpenAI funkcije iz modula LangChain:
iz langchain. alata . prikazati uvoz format_alat_za_openaj_funkcijullm_s_alatima = llm. vezati (
funkcije = [ format_alat_za_openaj_funkciju ( t ) za t u alata ]
)
Konfigurirajte agenta pomoću OpenAI funkcijskog agenta za korištenje izlaznog parsera za postavljanje sekvenci radnji/zadataka:
iz langchain. agenti . format_scratchpad uvoz format_za_otvaranje_funkcijaiz langchain. agenti . izlazni_parseri uvoz OpenAIFunctionsAgentOutputParser
agent = {
'ulazni' : lambda x: x [ 'ulazni' ] ,
'agent_scratchpad' : lambda x: format_to_openai_functions ( x [ 'međukoraci' ] )
} | brz | llm_s_alatima | OpenAIFunctionsAgentOutputParser ( )
Korak 4: Pozivanje agenta
Sljedeći korak koristi funkciju invoke() za pozivanje agenta pomoću argumenata input i intermediate_steps:
agent. prizivati ( {'ulazni' : 'koliko slova u riječi dobro' ,
'međukoraci' : [ ]
} )
Korak 5: Konfigurirajte alate agenta
Nakon toga jednostavno uvezite biblioteku AgentFinish da konfigurirate intermediate_steps integracijom svih koraka u nizu kako biste dovršili aktivnost:
iz langchain. shema . agent uvoz AgentFinishmeđukoraci = [ ]
dok Pravi :
izlaz = agent. prizivati ( {
'ulazni' : 'slova u dobru' ,
'međukoraci' : međukoraci
} )
ako je instanca ( izlaz , AgentFinish ) :
konačni_rezultat = izlaz. povratne_vrijednosti [ 'izlaz' ]
pauza
drugo :
ispisati ( izlaz. alat , izlaz. alat_input )
alat = {
'dobi duljinu_riječi' : get_word_length
} [ izlaz. alat ]
promatranje = alat. trčanje ( izlaz. alat_input )
međukoraci. dodati ( ( izlaz , promatranje ) )
ispisati ( konačni_rezultat )
Korak 6: Testiranje agenta
Sada izvršite agenta pozivanjem metode AgentExecutor() nakon uvoza njegove biblioteke iz LangChaina:
iz langchain. agenti uvoz AgentIzvršiteljagent_izvršitelj = AgentIzvršitelj ( agent = agent , alata = alata , opširno = Pravi )
Na kraju pozovite agent_executor s ulaznim argumentom za unos upita za agenta:
agent_izvršitelj. prizivati ( { 'ulazni' : 'koliko slova u riječi dobro' } )Agent je prikazao odgovor na pitanje navedeno u ulaznom argumentu nakon završetka lanca:
To je sve o početku rada s agentima u okviru LangChain.
Zaključak
Da biste započeli s agentima u LangChainu, jednostavno instalirajte module potrebne za postavljanje okruženja pomoću OpenAI API ključa. Nakon toga konfigurirajte model chata postavljanjem predloška upita za izgradnju agenta s nizom međukoraka. Nakon što je agent konfiguriran, jednostavno izradite alate navodeći zadatke nakon što korisniku date ulazni niz. Ovaj blog je pokazao proces korištenja agenata u LangChainu.