Ten przewodnik zilustruje proces uruchamiania LLMCains w LangChain.
Jak uruchomić LLMCains w LangChain?
LangChain zapewnia funkcje lub zależności do budowania LLMChains przy użyciu LLM/Chatbotów i szablonów podpowiedzi. Aby poznać proces budowania i uruchamiania LLMCains w LangChain, postępuj zgodnie z poniższym przewodnikiem krok po kroku:
Krok 1: Zainstaluj pakiety
Najpierw rozpocznij proces, instalując moduł LangChain, aby uzyskać jego zależności do budowania i uruchamiania LLMChains:
pip zainstaluj langchain
Zainstaluj środowisko OpenAI za pomocą polecenia pip, aby biblioteki mogły używać funkcji OpenAI() do tworzenia LLM:
pip zainstaluj openai
Po zainstalowaniu modułów po prostu skonfiguruj środowisko zmienne przy użyciu klucza API z konta OpenAI:
import Ty
import przejść dalej
Ty . około [ „OPENAI_API_KEY” ] = przejść dalej . przejść dalej ( „Klucz API OpenAI:” )
Krok 2: Importuj biblioteki
Po zakończeniu instalacji i zainstalowaniu wszystkich wymaganych pakietów zaimportuj wymagane biblioteki w celu zbudowania szablonu podpowiedzi. Następnie po prostu zbuduj LLM przy użyciu metody OpenAI() i skonfiguruj LLMChain przy użyciu LLM i szablonu podpowiedzi:
z łańcuch językowy import Szablon podpowiedziz łańcuch językowy import OpenAI
z łańcuch językowy import LLMCain
szablon_podpowiedzi = „podaj mi dobrą nazwę firmy, która produkuje {produkt}?”
llm = OpenAI ( temperatura = 0 )
llm_chain = LLMCain (
llm = llm ,
podpowiedź = Szablon podpowiedzi. Z szablonu ( szablon_podpowiedzi )
)
llm_chain ( 'kolorowe ubrania' )
Krok 3: Uruchamianie łańcuchów
Uzyskaj listę wejściową zawierającą różne produkty produkowane przez firmę i uruchom łańcuch, aby wyświetlić listę na ekranie:
lista_wejściowa = [{ 'produkt' : 'skarpety' } ,
{ 'produkt' : 'komputer' } ,
{ 'produkt' : 'buty' }
]
llm_chain. stosować ( lista_wejściowa )
Uruchom metodę generate() za pomocą metody lista_wejściowa za pomocą LLMChains, aby uzyskać dane wyjściowe związane z rozmową wygenerowaną przez model:
llm_chain. Generować ( lista_wejściowa ) 
Krok 4: Korzystanie z pojedynczego wejścia
Dodaj kolejny produkt, aby uruchomić LLMChains, używając tylko jednego wejścia, a następnie przewiduj, że LLMChain wygeneruje dane wyjściowe:
llm_chain. przewidywać ( produkt = 'kolorowe skarpetki' )Krok 5: Korzystanie z wielu wejść
Teraz zbuduj szablon do korzystania z wielu danych wejściowych w celu dostarczenia polecenia modelowi przed uruchomieniem łańcucha:
szablon = '''Opowiedz mi {przymiotnik} dowcip na temat {temat}.'''podpowiedź = Szablon podpowiedzi ( szablon = szablon , zmienne_wejściowe = [ 'przymiotnik' , 'temat' ] )
llm_chain = LLMCain ( podpowiedź = podpowiedź , llm = OpenAI ( temperatura = 0 ) )
llm_chain. przewidywać ( przymiotnik = 'smutny' , temat = „kaczki” )
Krok 6: Korzystanie z parsera wyjściowego
W tym kroku używana jest metoda analizatora składni wyjściowej w celu uruchomienia LLMCain w celu uzyskania danych wyjściowych na podstawie podpowiedzi:
z łańcuch językowy. parsery_wyjściowe import CommaSeparatedListOutputParserparser_wyjściowy = CommaSeparatedListOutputParser ( )
szablon = '''Wymień wszystkie kolory tęczy'''
podpowiedź = Szablon podpowiedzi ( szablon = szablon , zmienne_wejściowe = [ ] , parser_wyjściowy = parser_wyjściowy )
llm_chain = LLMCain ( podpowiedź = podpowiedź , llm = llm )
llm_chain. przewidywać ( )
Użycie metody parse() do uzyskania wyniku spowoduje wygenerowanie listy oddzielonych przecinkami wszystkich kolorów tęczy:
llm_chain. przewidywać_i_parsować ( ) 
Krok 7: Inicjowanie z ciągów
W tym kroku wyjaśniono proces używania ciągu jako zachęty do uruchomienia LLMChain przy użyciu modelu i szablonu LLM:
szablon = '''Opowiedz mi {przymiotnik} dowcip na temat {temat}'''llm_chain = LLMCain. z_ciągu ( llm = llm , szablon = szablon )
Podaj wartości zmiennych w wierszu zachęty, aby uzyskać dane wyjściowe z modelu, uruchamiając LLMChain:
llm_chain. przewidywać ( przymiotnik = 'smutny' , temat = „kaczki” )Chodzi o uruchomienie LLMChains przy użyciu frameworka LangChain.
Wniosek
Aby zbudować i uruchomić LLMChains w LangChain, zainstaluj wymagania wstępne, takie jak pakiety i skonfiguruj środowisko przy użyciu klucza API OpenAI. Następnie zaimportuj wymagane biblioteki do skonfigurowania szablonu podpowiedzi i modelu do uruchamiania LLMChain przy użyciu zależności LangChain. Użytkownik może używać parserów wyjściowych i poleceń łańcuchowych do uruchamiania LLMCains, jak pokazano w przewodniku. W tym przewodniku szczegółowo opisano cały proces uruchamiania LLMCains w LangChain.