Jak dodać pamięć do agenta funkcji OpenAI w LangChain?

OpenAI to organizacja zajmująca się sztuczną inteligencją (AI), która powstała w 2015 roku i na początku była organizacją non-profit. Od 2020 r. Microsoft zainwestował mnóstwo fortun, ponieważ przetwarzanie języka naturalnego (NLP) za pomocą sztucznej inteligencji kwitnie dzięki chatbotom i modelom językowym.

Budowanie agentów OpenAI umożliwia programistom uzyskanie bardziej czytelnych i konkretnych wyników z Internetu. Dodanie pamięci agentom pozwala im lepiej zrozumieć kontekst czatu i zapisać w pamięci również poprzednie rozmowy. Aby poznać proces dodawania pamięci do agenta funkcji OpenAI w LangChain, wystarczy wykonać następujące kroki:

Krok 1: Instalowanie frameworków

Przede wszystkim zainstaluj zależności LangChain z pliku „langchain-eksperymentalny” framework przy użyciu następującego kodu:

pip zainstaluj langchain - eksperymentalny

Zainstaluj „wyniki-wyszukiwania Google” moduł do pobierania wyników wyszukiwania z serwera Google:

pip zainstaluj Google - szukaj - wyniki

Zainstaluj także moduł OpenAI, którego można używać do budowania modeli językowych w LangChain:

pip zainstaluj openai

Krok 2: Konfigurowanie środowisk

Po pobraniu modułów skonfiguruj środowiska przy użyciu kluczy API z pliku OpenAI I SerpAPi konta:

import Ty
import przejść dalej

Ty. około [ „OPENAI_API_KEY” ] = przejść dalej. przejść dalej ( „Klucz API OpenAI:” )
Ty. około [ „KLUCZ_SERPAPI_API” ] = przejść dalej. przejść dalej ( „Klucz API Serpapi:” )

Wykonaj powyższy kod, aby wprowadzić klucze API umożliwiające dostęp do środowiska i naciśnij klawisz Enter, aby potwierdzić:

Krok 3: Importowanie bibliotek

Po zakończeniu konfiguracji użyj zależności zainstalowanych z LangChain, aby zaimportować wymagane biblioteki do zbudowania pamięci i agentów:

z Langchaina. więzy import LLMMathChain
z Langchaina. llms import OpenAI
#get biblioteka do wyszukiwania w Google przez Internet
z Langchaina. narzędzia import SerpAPIWrapper
z Langchaina. narzędzia import Baza danych SQL
z langchain_experimental. sql import Łańcuch bazy danych SQL
#get biblioteka do tworzenia narzędzi Do inicjowanie agenta
z Langchaina. agenci import Typ agenta , Narzędzie , zainicjuj_agent
z Langchaina. chat_models import CzatOpenAI

Krok 4: Budowa bazy danych

Aby kontynuować pracę z tym przewodnikiem, musimy zbudować bazę danych i połączyć się z agentem, aby wyodrębnić z niej odpowiedzi. Aby zbudować bazę danych, wymagane jest pobranie SQLite za jej pomocą przewodnik i potwierdź instalację za pomocą następującego polecenia:

sqlite3

Uruchomienie powyższego polecenia w pliku Terminal Windowsowy wyświetla zainstalowaną wersję SQLite (3.43.2):

Następnie po prostu przejdź do katalogu na swoim komputerze, w którym zostanie zbudowana i przechowywana baza danych:

Pulpit CD
cd mydb
sqlite3 Chinook. pierś

Użytkownik może po prostu pobrać z tego zawartość bazy danych połączyć w katalogu i wykonaj następujące polecenie, aby zbudować bazę danych:

. Czytać Chinook_Sqlite. sql
WYBIERAĆ * Z LIMITÓW Artystycznych 10 ;

Baza danych została pomyślnie zbudowana i użytkownik może wyszukiwać w niej dane za pomocą różnych zapytań:

Krok 5: Przesyłanie bazy danych

Po pomyślnym zbudowaniu bazy danych prześlij plik „.db” plik do Google Collaboratory, używając następującego kodu:

z Google'a. i wsp import akta
załadowany = akta. wgrywać ( )

Wybierz plik z systemu lokalnego klikając na 'Wybierz pliki' przycisk po wykonaniu powyższego kodu:

Po przesłaniu pliku po prostu skopiuj ścieżkę pliku, która zostanie wykorzystana w następnym kroku:

Krok 6: Konfigurowanie modelu języka

Zbuduj model języka, łańcuchy, narzędzia i łańcuchy, używając następującego kodu:

llm = CzatOpenAI ( temperatura = 0 , Model = „gpt-3.5-turbo-0613” )
szukaj = SerpAPIWrapper ( )
llm_math_chain = LLMMathChain. od_llm ( llm = llm , gadatliwy = PRAWDA )
pierś = Baza danych SQL. z_uri ( „sqlite:///../../../../../content/Chinook.db” )
łańcuch_db = Łańcuch bazy danych SQL. od_llm ( llm , pierś , gadatliwy = PRAWDA )
narzędzia = [
Narzędzie (
nazwa = 'Szukaj' ,
funk = szukaj. uruchomić ,
opis = „Zadawaj ukierunkowane pytania, aby uzyskać odpowiedzi na pytania dotyczące ostatnich spraw” ,
) ,
Narzędzie (
nazwa = 'Kalkulator' ,
funk = llm_math_chain. uruchomić ,
opis = „przydatny do odpowiadania/rozwiązywania problemów matematycznych” ,
) ,
Narzędzie (
nazwa = „FooBar-DB” ,
funk = łańcuch_db. uruchomić ,
opis = „przydatne przy odpowiadaniu na pytania dotyczące FooBar, a dane wejściowe powinny mieć formę pytania zawierającego pełny kontekst” ,
) ,
]

The llm zmienna zawiera konfiguracje modelu językowego przy użyciu metody ChatOpenAI() z nazwą modelu.
Poszukiwanie zmienna zawiera metodę SerpAPIWrapper() służącą do budowania narzędzi dla agenta.
Zbuduj llm_math_chain aby uzyskać odpowiedzi związane z dziedziną Matematyka za pomocą metody LLMMathChain().
Zmienna db zawiera ścieżkę do pliku zawierającego zawartość bazy danych. Użytkownik musi zmienić tylko ostatnią część, która jest „treść/Chinook.db” ścieżki prowadzącej „sqlite:///../../../../../” ten sam.
Zbuduj kolejny łańcuch do odpowiadania na zapytania z bazy danych za pomocą łańcuch_db zmienny.
Skonfiguruj narzędzia takie jak szukaj , kalkulator , I FooBar-DB do wyszukiwania odpowiedzi, odpowiadania na pytania matematyczne i zapytania z bazy danych:

Krok 7: Dodawanie pamięci

Po skonfigurowaniu funkcji OpenAI wystarczy zbudować i dodać pamięć do agenta:

z Langchaina. monity import Symbol zastępczy Wiadomości
z Langchaina. pamięć import Pamięć bufora konwersacji

agent_kwargs = {
„dodatkowe_wiadomości_promptowe” : [ Symbol zastępczy Wiadomości ( nazwa_zmiennej = 'pamięć' ) ] ,
}
pamięć = Pamięć bufora konwersacji ( klucz_pamięci = 'pamięć' , wiadomości_powrotne = PRAWDA )

Krok 8: Inicjowanie agenta

Ostatnim komponentem do zbudowania i zainicjowania jest agent zawierający wszystkie komponenty takie jak llm , narzędzie , OPENAI_FUNKCJE i inne, które można wykorzystać w tym procesie:

agent = zainicjuj_agent (
narzędzia ,
llm ,
agent = Typ agenta. OPENAI_FUNKCJE ,
gadatliwy = PRAWDA ,
agent_kwargs = agent_kwargs ,
pamięć = pamięć ,
)

Krok 9: Testowanie agenta

Na koniec przetestuj agenta, inicjując czat za pomocą przycisku „ Cześć ' wiadomość:

agent. uruchomić ( 'Cześć' )

Dodaj trochę informacji do pamięci, uruchamiając z nią agenta:

agent. uruchomić ( „nazywam się John Snow” )

Teraz przetestuj pamięć, zadając pytanie dotyczące poprzedniego czatu:

agent. uruchomić ( 'jak mam na imię' )

Agent odpowiedział, podając nazwę pobraną z pamięci, więc pamięć działa pomyślnie z agentem:

To wszystko na teraz.

Wniosek

Aby dodać pamięć do agenta funkcji OpenAI w LangChain, zainstaluj moduły, aby uzyskać zależności do importowania bibliotek. Następnie po prostu zbuduj bazę danych i prześlij ją do notatnika Pythona, aby można było jej używać z modelem. Skonfiguruj model, narzędzia, łańcuchy i bazę danych przed dodaniem ich do agenta i zainicjuj go. Przed przetestowaniem pamięci zbuduj pamięć za pomocą metody ConversationalBufferMemory() i dodaj ją do agenta przed przetestowaniem. W tym przewodniku szczegółowo opisano, jak dodać pamięć do agenta funkcji OpenAI w LangChain.

Jak dodać pamięć do agenta funkcji OpenAI w LangChain?

Szybki zarys