Jak replikować system MRKL za pomocą agentów w LangChain?

LangChain umożliwia użytkownikowi budowanie agentów, których można używać do wykonywania wielu zadań dla modeli językowych lub chatbotów. Agenci przechowują swoją pracę wraz ze wszystkimi krokami w pamięci dołączonej do modelu językowego. Korzystając z tych szablonów, agent może replikować działanie dowolnego systemu, takiego jak MRKL, aby uzyskać zoptymalizowane wyniki bez konieczności ich ponownego budowania.

Aby poznać proces replikacji systemu MRKL przy użyciu agentów w LangChain, wystarczy wykonać poniższe kroki:

Krok 1: Instalowanie frameworków

Przede wszystkim zainstaluj moduły eksperymentalne LangChain za pomocą pip z poleceniem langchain-experimental:

pip zainstaluj langchain-eksperymentalny

Zainstaluj moduł OpenAI, aby zbudować model językowy dla systemu MRKL:

pip zainstaluj openai

Krok 2: Konfiguracja środowiska OpenAI

Zaimportuj biblioteki os i getpass, aby uzyskać dostęp do operacji monitujących użytkownika o podanie kluczy API dla kont OpenAI i SerpAPi:

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:” )

Krok 3: Importowanie bibliotek

Użyj zależności z LangChain, aby zaimportować biblioteki wymagane do zbudowania modelu języka, narzędzi i agentów:

z łańcuch językowy. więzy import LLMMathChain

z łańcuch językowy. llms import OpenAI

z łańcuch językowy. narzędzia import SerpAPIWrapper

z łańcuch językowy. narzędzia import Baza danych SQL

z langchain_eksperymentalny. mkw import Łańcuch bazy danych SQL

z łańcuch językowy. agenci import zainicjuj_agent , Narzędzie

z łańcuch językowy. agenci import Typ agenta

Krok 4: Budowa bazy danych

MRKL korzysta z zewnętrznych źródeł wiedzy w celu wyodrębnienia informacji z danych. W tym poście użyto SQLite, który można pobrać za pomocą tego przewodnik do zbudowania bazy danych. Poniższe polecenie potwierdza proces pobierania SQLite poprzez wyświetlenie jego zainstalowanej wersji:

sqlite3

Użyj następujących poleceń znajdujących się w katalogu, aby utworzyć bazę danych za pomocą wiersza poleceń:

płyta CD Pulpit

płyta CD mydb

sqlite3 Chinook. pierś

Pobierz Baza danych plik i zapisz go w katalogu, aby użyć następującego polecenia do utworzenia „ .db ' plik:

. Czytać Chinook_Sqlite. mkw

WYBIERZ * Z LIMITÓW WYKONAWCÓW 10 ;

Krok 5: Przesyłanie bazy danych

Po pomyślnym utworzeniu bazy danych prześlij plik do współpracy Google:

z Google. i wsp import akta

załadowany = akta. wgrywać ( )

Użytkownik może uzyskać dostęp do przesłanego pliku w notatniku i skopiować jego ścieżkę z menu rozwijanego:

Krok 6: Konfigurowanie narzędzi

Po zbudowaniu bazy danych skonfiguruj model języka, narzędzia i łańcuchy dla agentów:

szukaj = SerpAPIWrapper ( )
llm = OpenAI ( temperatura = 0 )
llm_math_chain = LLMMathChain ( 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 pytania ukierunkowane, aby uzyskać odpowiedzi na temat 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 zapytania z bazy danych, a pytanie wejściowe musi mieć pełny kontekst”
)
]

Zdefiniuj llm zmienną za pomocą OpenAI() metoda uzyskania modelu języka.
The szukaj to narzędzie wywołujące metodę SerpAPIWrapper() sposób na dostęp do swojego otoczenia.
The LLMMathChain() metoda służy do uzyskiwania odpowiedzi związanych z problemami matematycznymi.
Zdefiniuj pierś zmienna zawierająca ścieżkę pliku wewnątrz Baza danych SQL() metoda.
The Łańcuch bazy danych SQL() Metoda ta pozwala na uzyskanie informacji z bazy danych.
Zdefiniuj narzędzia takie jak szukaj , kalkulator , I FooBar DB do zbudowania agenta do wydobywania danych z różnych źródeł:

Krok 7: Budowanie i testowanie agenta

Zainicjuj system MRKL za pomocą narzędzi, llm i agenta, aby uzyskać odpowiedzi na pytania zadawane przez użytkownika:

mrkl = zainicjuj_agent ( narzędzia , llm , agent = Typ agenta. ZERO_SHOT_REACT_DESCRIPTION , gadatliwy = PRAWDA )

Wykonaj system MRKL za pomocą metody run() z pytaniem jako argumentem:

mrkl. uruchomić ( „Jaki jest obecny wiek Leo DiCaprio i jego dziewczyny, powiedz także, jaka jest między nimi różnica wieku” )

Wyjście

Agent stworzył ostateczną odpowiedź z pełną ścieżką używaną przez system do wyodrębnienia ostatecznej odpowiedzi:

Krok 8: Replikuj system MRKL

Teraz po prostu użyj mrkl słowo kluczowe z metodą run(), aby uzyskać odpowiedzi z różnych źródeł, takich jak bazy danych:

mrkl. uruchomić ( „Jak brzmi pełne imię i nazwisko artysty, którego album zatytułowany „The Storm Before the Calm” został niedawno wydany i czy są oni w bazie FooBar oraz które z ich albumów znajdują się w bazie?” )

Agent automatycznie przekształcił pytanie w zapytanie SQL w celu pobrania odpowiedzi z bazy danych. Agent wyszukuje właściwe źródło odpowiedzi, a następnie tworzy zapytanie w celu wydobycia informacji:

Krok 9: Korzystanie z ChatModelu

Użytkownik może po prostu zmienić model języka za pomocą metody ChatOpenAI(), aby uczynić go ChatModel i używać z nim systemu MRKL:

z łańcuch językowy. chat_models import CzatOpenAI

szukaj = SerpAPIWrapper ( )
llm = CzatOpenAI ( temperatura = 0 )
llm1 = OpenAI ( temperatura = 0 )
llm_math_chain = LLMMathChain ( llm = llm1 , gadatliwy = PRAWDA )
pierś = Baza danych SQL. z_uri ( „sqlite:///../../../../../content/Chinook.db” )
łańcuch_db = Łańcuch bazy danych SQL. od_llm ( llm1 , pierś , gadatliwy = PRAWDA )
narzędzia = [
Narzędzie (
nazwa = 'Szukaj' ,
funk = szukaj. uruchomić ,
opis = „Zadawaj pytania ukierunkowane, aby uzyskać odpowiedzi na temat 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 zapytania z bazy danych, a pytanie wejściowe musi mieć pełny kontekst”
)
]

Krok 10: Przetestuj agenta MRKL

Następnie zbuduj agenta i zainicjuj go w zmiennej mrkl za pomocą metody inicjalizacji_agent(). Dodaj parametr metody, aby zintegrować komponenty, takie jak narzędzia, llm, agent i verbose, aby uzyskać pełny proces na wyjściu:

mrkl = zainicjuj_agent ( narzędzia , llm , agent = Typ agenta. CHAT_ZERO_SHOT_REACT_DESCRIPTION , gadatliwy = PRAWDA )

Wykonaj pytanie, uruchamiając system mrkl, jak pokazano na poniższym zrzucie ekranu:

mrkl. uruchomić ( „Kim jest dziewczyna Leo DiCaprio? Jaki jest ich obecny wiek” )

Wyjście

Poniższy fragment przedstawia ostateczną odpowiedź wyodrębnioną przez agenta:

Krok 11: Replikuj system MRKL

Wykorzystaj system MRKL wywołując metodę run() z pytaniem w języku naturalnym w celu wydobycia informacji z bazy danych:

Wyjście

Agent wyświetlił ostateczną odpowiedź pobraną z bazy danych, jak pokazano na poniższym zrzucie ekranu:

To tyle, jeśli chodzi o proces replikacji systemu MRKL przy użyciu agentów w LangChain:

Wniosek

Aby zreplikować system MRKL przy użyciu agentów w LangChain, zainstaluj moduły, aby uzyskać zależności do importowania bibliotek. Biblioteki są wymagane do zbudowania modelu języka lub modelu czatu, aby uzyskać odpowiedzi z wielu źródeł za pomocą tych narzędzi. Agenci są skonfigurowani do korzystania z narzędzi do wyodrębniania wyników z różnych źródeł, takich jak Internet, bazy danych itp. W tym przewodniku szczegółowo opisano proces replikacji systemu MRKL przy użyciu agentów w LangChain.

Jak replikować system MRKL za pomocą agentów w LangChain?