Sztuczna inteligencja to jedna z najszybciej rozwijających się technologii wykorzystujących algorytmy uczenia maszynowego do uczenia i testowania modeli przy użyciu ogromnych danych. Dane mogą być przechowywane w różnych formatach, ale do tworzenia dużych modeli językowych przy użyciu LangChain najczęściej używanym typem jest JSON. Dane szkoleniowe i testowe muszą być jasne i kompletne, bez żadnych dwuznaczności, aby model mógł działać efektywnie.
Ten przewodnik zademonstruje proces korzystania z pydantycznego parsera JSON w LangChain.
Jak korzystać z parsera Pydantic (JSON) w LangChain?
Dane JSON zawierają tekstowy format danych, które można zebrać poprzez skrobanie stron internetowych i wiele innych źródeł, takich jak dzienniki itp. Aby sprawdzić dokładność danych, LangChain korzysta z biblioteki pydantic z Pythona, aby uprościć proces. Aby użyć pydantycznego parsera JSON w LangChain, po prostu zapoznaj się z tym przewodnikiem:
Krok 1: Zainstaluj moduły
Aby rozpocząć proces, po prostu zainstaluj moduł LangChain, aby móc korzystać z jego bibliotek do korzystania z parsera w LangChain:
pypeć zainstalować łańcuch językowy
Teraz użyj opcji „ instalacja pipa ”, aby uzyskać framework OpenAI i skorzystać z jego zasobów:
pypeć zainstalować otwórz
Po zainstalowaniu modułów wystarczy połączyć się ze środowiskiem OpenAI, podając jego klucz API za pomocą przycisku „ Ty ' I ' przejść dalej ”biblioteki:
importuj naszaimportuj getpass
os.środowisko [ „OPENAI_API_KEY” ] = getpass.getpass ( „Klucz API OpenAI:” )
Krok 2: Importuj biblioteki
Użyj modułu LangChain, aby zaimportować niezbędne biblioteki, które można wykorzystać do utworzenia szablonu podpowiedzi. Szablon podpowiedzi opisuje metodę zadawania pytań w języku naturalnym, dzięki czemu model może skutecznie zrozumieć podpowiedź. Importuj także biblioteki, takie jak OpenAI i ChatOpenAI, aby tworzyć łańcuchy przy użyciu LLM do budowy chatbota:
z importu langchain.prompts (Szablon podpowiedzi,
Szablon ChatPrompt,
Szablon HumanMessagePrompt,
)
z langchain.llms importuje OpenAI
z langchain.chat_models importuj ChatOpenAI
Następnie zaimportuj biblioteki pydantyczne, takie jak BaseModel, Field i validator, aby używać parsera JSON w LangChain:
z langchain.output_parsers importuj PydanticOutputParserz pydantycznego importu BaseModel, pole, walidator
od wpisania listy importu
Krok 3: Budowa modelu
Po pobraniu wszystkich bibliotek do korzystania z pydantycznego parsera JSON po prostu pobierz wstępnie zaprojektowany przetestowany model za pomocą metody OpenAI():
nazwa_modelu = „tekst-davinci-003”temperatura = 0,0
model = OpenAI ( Nazwa modelu =nazwa_modelu, temperatura =temperatura )
Krok 4: Skonfiguruj model podstawowy aktora
Zbuduj inny model, aby uzyskać odpowiedzi dotyczące aktorów, takich jak ich nazwiska i filmy, prosząc o filmografię aktora:
Aktor klasowy ( Model podstawowy ) :nazwa: str = Pole ( opis = „Imię głównego aktora” )
film_names: Lista [ ul ] = Pole ( opis = „Filmy, w których aktor grał główną rolę” )
aktor_zapytanie = „Chcę zobaczyć filmografię dowolnego aktora”
parser = PydanticOutputParser ( obiekt_pydantyczny =Aktor )
zachęta = szablon podpowiedzi (
szablon = „Odpowiedz na monit od użytkownika. \N {format_instrukcje} \N {zapytanie} \N ' ,
zmienne_wejściowe = [ 'zapytanie' ] ,
częściowe_zmienne = { „format_instrukcje” : parser.get_format_instructions ( ) } ,
)
Krok 5: Testowanie modelu podstawowego
Po prostu uzyskaj wynik za pomocą funkcji parse() ze zmienną wyjściową zawierającą wyniki wygenerowane dla zachęty:
_input = zachęta.format_prompt ( zapytanie =aktor_zapytanie )wyjście = model ( _input.to_string ( ) )
parser.analiza ( wyjście )
Aktor o imieniu „ Toma Hanksa ” z listą jego filmów została pobrana za pomocą funkcji pydantycznej z modelu:
Chodzi o użycie pydantycznego parsera JSON w LangChain.
Wniosek
Aby używać pydantycznego parsera JSON w LangChain, wystarczy zainstalować moduły LangChain i OpenAI, aby połączyć się z ich zasobami i bibliotekami. Następnie zaimportuj biblioteki takie jak OpenAI i pydantic, aby zbudować model bazowy i zweryfikować dane w postaci JSON. Po zbudowaniu modelu bazowego wykonaj funkcję parse(), która zwróci odpowiedzi na pytanie. W tym poście zademonstrowano proces używania pydantycznego parsera JSON w LangChain.