Tämä opas havainnollistaa LLMChains-ajon prosessia LangChainissa.
Kuinka ajaa LLMChaineja LangChainissa?
LangChain tarjoaa ominaisuuksia tai riippuvuuksia LLMChainien rakentamiseen käyttämällä LLM:itä/Chatbotteja ja kehotemalleja. Jos haluat oppia LLMChainien rakentamis- ja käyttöprosessin LangChainissa, seuraa yksinkertaisesti seuraavaa vaiheittaista ohjetta:
Vaihe 1: Asenna paketit
Aloita ensin prosessi asentamalla LangChain-moduuli saadaksesi sen riippuvuudet LLMChainien rakentamiseen ja käyttämiseen:
pip asennus langchain
Asenna OpenAI-kehys pip-komennolla saadaksesi kirjastot käyttämään OpenAI()-funktiota LLM:ien rakentamiseen:
pip install openai
Moduulien asennuksen jälkeen yksinkertaisesti perustaa ympäristöä muuttujat OpenAI-tilin API-avaimella:
tuonti sinä
tuonti getpass
sinä . suunnilleen [ 'OPENAI_API_KEY' ] = getpass . getpass ( 'OpenAI API Key:' )
Vaihe 2: Tuo kirjastot
Kun asennus on valmis ja kaikki tarvittavat paketit on asennettu, tuo tarvittavat kirjastot kehotemallin rakentamista varten. Sen jälkeen rakenna LLM käyttämällä OpenAI()-menetelmää ja määritä LLMChain käyttämällä LLM:itä ja kehotemallia:
alkaen langchain tuonti PromptTemplatealkaen langchain tuonti OpenAI
alkaen langchain tuonti LLMChain
kehote_malli = 'Annako minulle hyvä nimi yritykselle, joka valmistaa {product}?'
llm = OpenAI ( lämpötila = 0 )
llm_chain = LLMChain (
llm = llm ,
kehote = PromptTemplate. from_template ( kehote_malli )
)
llm_chain ( 'värikkäitä vaatteita' )
Vaihe 3: Ajoketjut
Hanki syöteluettelo, joka sisältää erilaisia yrityksen tuottamia tuotteita ja näytä luettelo näytöllä ajamalla ketjua:
input_list = [{ 'tuote' : 'sukat' } ,
{ 'tuote' : 'tietokone' } ,
{ 'tuote' : 'kengät' }
]
llm_chain. Käytä ( input_list )
Suorita generate()-menetelmä käyttämällä input_list LLMChainsilla saadaksesi mallin luomaan keskusteluun liittyvän lähdön:
llm_chain. Tuottaa ( input_list )
Vaihe 4: Yhden tulon käyttäminen
Lisää toinen tuote ajaaksesi LLMChains-ketjuja käyttämällä vain yhtä syötettä ja ennusta sitten LLMChain luomaan lähdön:
llm_chain. ennustaa ( tuote = 'värikkäät sukat' )Vaihe 5: Useiden tulojen käyttäminen
Luo nyt malli useiden syötteiden käyttämiseksi komennon antamiseksi mallille ennen ketjun suorittamista:
sapluuna = '''Kerro minulle {adjektiivi} vitsi aiheesta {subject}.'''kehote = PromptTemplate ( sapluuna = sapluuna , input_variables = [ 'adjektiivi' , 'aihe' ] )
llm_chain = LLMChain ( kehote = kehote , llm = OpenAI ( lämpötila = 0 ) )
llm_chain. ennustaa ( adjektiivi = 'surullinen' , aihe = 'ankat' )
Vaihe 6: Output Parserin käyttäminen
Tämä vaihe käyttää tulosten jäsennysmenetelmää LLMChainin suorittamiseen saadakseen tulosteen kehotteen perusteella:
alkaen langchain. output_parsers tuonti CommaSeparatedListOutputParseroutput_parser = CommaSeparatedListOutputParser ( )
sapluuna = '''Luettelo kaikki värit sateenkaaressa'''
kehote = PromptTemplate ( sapluuna = sapluuna , input_variables = [ ] , output_parser = output_parser )
llm_chain = LLMChain ( kehote = kehote , llm = llm )
llm_chain. ennustaa ( )
Parse()-menetelmän käyttäminen tulosteen saamiseksi luo pilkuilla erotetun luettelon kaikista sateenkaaren väreistä:
llm_chain. ennustaa_ja_jäsentä ( )
Vaihe 7: Alustus merkkijonoista
Tämä vaihe selittää prosessin, jolla merkkijonoa käytetään kehotteena LLMChainin suorittamiseen käyttämällä LLM-mallia ja -mallia:
sapluuna = '''Kerro minulle {adjektiivi} vitsi aiheesta {subject}'''llm_chain = LLMChain. from_string ( llm = llm , sapluuna = sapluuna )
Anna muuttujien arvot merkkijonokehotteessa saadaksesi tulos mallista suorittamalla LLMChain:
llm_chain. ennustaa ( adjektiivi = 'surullinen' , aihe = 'ankat' )Siinä on kyse LLMChainien ajamisesta LangChain-kehyksen avulla.
Johtopäätös
Luodaksesi ja käyttääksesi LLMChaineja LangChainissa, asenna edellytykset, kuten paketit, ja määritä ympäristö OpenAI:n API-avaimella. Tuo sen jälkeen tarvittavat kirjastot LLMChainin suorittamiseen käytettävän kehotemallin ja mallin määrittämistä varten LangChain-riippuvuuksien avulla. Käyttäjä voi käyttää lähtöjäsentimiä ja merkkijonokomentoja LLMChainien suorittamiseen oppaan osoittamalla tavalla. Tässä oppaassa on käsitelty LLMChainien koko prosessia LangChainissa.