Tämä viesti havainnollistaa LangChain-sovellusten rakentamisprosessia käyttämällä kehotemallia ja tulospareria.
Kuinka rakentaa LangChain-sovelluksia käyttämällä kehotemallia ja tulospareria?
Jos haluat rakentaa LangChain-sovelluksen kehotemallin ja tulosten jäsentimen avulla, käy läpi tämä helppo opas:
Vaihe 1: Asenna LangChain
Aloita ensin LangChain-sovellusten rakentaminen asentamalla LangChain-kehys käyttämällä ' pip 'komento:
pip asennus langchain
Vaihe 2: Käytä kehotemallia
LangChain-moduulien asennuksen jälkeen tuo ' PromptTemplate ”-kirjastosta kehotemallin rakentamiseen tarjoamalla mallille kyselyn ymmärtämään kysymystä:
langchain.promptsista tuo PromptTemplate
prompt = PromptTemplate.from_template('Mikä on hyvä väriyhdistelmä {tuotteelle}?')
prompt.format(product='värikkäät sukat')
Tulos yhdistettiin automaattisesti lauseen arvoon ' tuote ”muuttuja:
Luo sen jälkeen toinen kehotemalli tuomalla HumanMessagePromptTemplate-, ChatPromptTemplate- ja SystemMessagePromptTemplate-kirjastot LangChainista:
langchain.prompts.chat importista (ChatPromptTemplate,
SystemMessagePromptTemplate,
HumanMessagePromptTemplate,
)
#Määritä kehotemalli LangChain-mallille
template = 'Olet apulainen, joka kääntää {input_language} kielelle {output_language}'
system_message_prompt = SystemMessagePromptTemplate.from_template(malli)
human_template = '{teksti}'
human_message_prompt = HumanMessagePromptTemplate.from_template(ihmisen_malli)
chat_prompt = ChatPromptTemplate.from_messages([system_message_prompt, human_message_prompt])
chat_prompt.format_messages(input_language='ranska', output_language='englanti', text='Pidän tekoälystä')
Kun olet tuonut kaikki tarvittavat kirjastot, luo yksinkertaisesti mukautettu malli kyselyille mallimuuttujan avulla:
Kehotemalleja käytetään vain mallin asettamiseen kyselylle/kysymykselle, eikä se vastaa kysymykseen millään tavalla. OutputParser()-funktio voi kuitenkin poimia vastauksia, kuten seuraavassa osassa esimerkissä selitetään:
Vaihe 3: Output Parserin käyttäminen
Tuo nyt BaseOutputParser-kirjasto LangChainista erotellaksesi pilkuilla erotetut tekstiarvot ja palauttaaksesi luettelon tulosteessa:
langchain.schema-tuo BaseOutputParserluokka CommaSeparatedListOutputParser(BaseOutputParser):
def jäsentää (itse, teksti: str):
palauttaa text.strip().split(', ')
CommaSeparatedListOutputParser().parse('Kiitos, tervetuloa')
Siinä on kyse LangChain-sovelluksen rakentamisesta kehotemallin ja tulosten jäsentimen avulla.
Johtopäätös
Jos haluat rakentaa LangChain-sovelluksen kehotemallin ja tulosten jäsentimen avulla, asenna LangChain ja tuo kirjastoja siitä. PromptTemplate-kirjastoa käytetään kyselyn rakenteen rakentamiseen, jotta malli voi ymmärtää kysymyksen ennen tietojen poimimista Parser()-funktiolla. OutputParser()-funktiota käytetään vastausten hakemiseen aiemmin mukautettujen kyselyiden perusteella. Tässä oppaassa on selitetty LangChain-sovellusten rakentamisprosessi kehotemallin ja tulosten jäsentimen avulla.