คู่มือนี้จะแสดงกระบวนการรัน LLMChains ใน LangChain
จะรัน LLMChains ใน LangChain ได้อย่างไร?
LangChain มอบคุณสมบัติหรือการพึ่งพาสำหรับการสร้าง LLMChains โดยใช้ LLM/Chatbots และเทมเพลตพร้อมท์ หากต้องการเรียนรู้กระบวนการสร้างและใช้งาน LLMChains ใน LangChain เพียงทำตามคำแนะนำทีละขั้นตอนต่อไปนี้:
ขั้นตอนที่ 1: ติดตั้งแพ็คเกจ
ขั้นแรก ให้เริ่มต้นกระบวนการโดยการติดตั้งโมดูล LangChain เพื่อรับการพึ่งพาสำหรับการสร้างและรัน LLMChains:
pip ติดตั้ง langchain
ติดตั้งเฟรมเวิร์ก OpenAI โดยใช้คำสั่ง pip เพื่อให้ไลบรารีใช้ฟังก์ชัน OpenAI() สำหรับการสร้าง LLM:
pip ติดตั้ง openai
หลังจากติดตั้งโมดูลเรียบร้อยแล้ว ตั้งค่าสภาพแวดล้อม ตัวแปรโดยใช้คีย์ API จากบัญชี OpenAI:
นำเข้า คุณ
นำเข้า รับผ่าน
คุณ . ประมาณ [ 'OPENAI_API_KEY' ] = รับผ่าน . รับผ่าน ( 'คีย์ OpenAI API:' )
ขั้นตอนที่ 2: นำเข้าไลบรารี
เมื่อการตั้งค่าเสร็จสมบูรณ์และติดตั้งแพ็คเกจที่จำเป็นทั้งหมดแล้ว ให้นำเข้าไลบรารีที่จำเป็นสำหรับการสร้างเทมเพลตพร้อมท์ หลังจากนั้น เพียงสร้าง LLM โดยใช้วิธี OpenAI() และกำหนดค่า LLMChain โดยใช้ LLM และเทมเพลตพร้อมท์:
จาก แลงเชน นำเข้า พรอมต์เทมเพลตจาก แลงเชน นำเข้า OpenAI
จาก แลงเชน นำเข้า LLMChain
prompt_template = 'ให้ชื่อธุรกิจที่สร้าง {product} ให้ฉันหน่อยได้ไหม'
llm = OpenAI ( อุณหภูมิ = 0 )
llm_chain = LLMChain (
llm = llm ,
พร้อมท์ = พรอมต์เทมเพลต from_template ( prompt_template )
)
llm_chain ( 'เสื้อผ้าสีสันสดใส' )
ขั้นตอนที่ 3: วิ่งโซ่
รับรายการอินพุตที่มีผลิตภัณฑ์ต่างๆ ที่ผลิตโดยธุรกิจและดำเนินการห่วงโซ่เพื่อแสดงรายการบนหน้าจอ:
input_list = [{ 'ผลิตภัณฑ์' : : 'ถุงเท้า' } ,
{ 'ผลิตภัณฑ์' : : 'คอมพิวเตอร์' } ,
{ 'ผลิตภัณฑ์' : : 'รองเท้า' }
]
llm_chain. นำมาใช้ ( input_list )
รันเมธอด Generate() โดยใช้ input_list ด้วย LLMChains เพื่อรับผลลัพธ์ที่เกี่ยวข้องกับการสนทนาที่สร้างโดยโมเดล:
llm_chain. สร้าง ( input_list )
ขั้นตอนที่ 4: การใช้อินพุตเดี่ยว
เพิ่มผลิตภัณฑ์อื่นเพื่อรัน LLMChains โดยใช้เพียงอินพุตเดียว จากนั้นทำนาย LLMChain เพื่อสร้างเอาต์พุต:
llm_chain. ทำนาย ( ผลิตภัณฑ์ = 'ถุงเท้าหลากสี' )ขั้นตอนที่ 5: การใช้หลายอินพุต
ตอนนี้ สร้างเทมเพลตสำหรับการใช้หลายอินพุตเพื่อจัดเตรียมคำสั่งให้กับโมเดลก่อนที่จะรันเชน:
แม่แบบ = '''เล่าเรื่อง {adjective} เกี่ยวกับ {subject} ให้ฉันฟังหน่อย'''พร้อมท์ = พรอมต์เทมเพลต ( แม่แบบ = แม่แบบ , input_variables = [ 'คุณศัพท์' , 'เรื่อง' ] )
llm_chain = LLMChain ( พร้อมท์ = พร้อมท์ , llm = OpenAI ( อุณหภูมิ = 0 ) )
llm_chain. ทำนาย ( คุณศัพท์ = 'เศร้า' , เรื่อง = 'เป็ด' )
ขั้นตอนที่ 6: การใช้เอาท์พุตพาร์เซอร์
ขั้นตอนนี้ใช้วิธีเอาท์พุตพาร์เซอร์เพื่อรัน LLMChain เพื่อรับเอาท์พุตตามพร้อมท์:
จาก แลงเชน output_parsers นำเข้า CommaSeparatedListOutputParseroutput_parser = CommaSeparatedListOutputParser ( )
แม่แบบ = '''เรียงสีทั้งหมดเป็นสีรุ้ง'''
พร้อมท์ = พรอมต์เทมเพลต ( แม่แบบ = แม่แบบ , input_variables = [ ] , output_parser = output_parser )
llm_chain = LLMChain ( พร้อมท์ = พร้อมท์ , llm = llm )
llm_chain. ทำนาย ( )
การใช้เมธอด parse() เพื่อรับผลลัพธ์จะสร้างรายการสีทั้งหมดในรุ้งโดยคั่นด้วยเครื่องหมายจุลภาค:
llm_chain. ทำนาย_และ_แยกวิเคราะห์ ( )
ขั้นตอนที่ 7: การเริ่มต้นจากสตริง
ขั้นตอนนี้อธิบายกระบวนการใช้สตริงเป็นพรอมต์ในการรัน LLMChain โดยใช้โมเดลและเทมเพลต LLM:
แม่แบบ = '''เล่าเรื่อง {adjective} เกี่ยวกับ {subject}''' ให้หน่อยสิllm_chain = LLMChain. from_string ( llm = llm , แม่แบบ = แม่แบบ )
ระบุค่าของตัวแปรในพรอมต์สตริงเพื่อรับเอาต์พุตจากโมเดลโดยการรัน LLMChain:
llm_chain. ทำนาย ( คุณศัพท์ = 'เศร้า' , เรื่อง = 'เป็ด' )นั่นคือทั้งหมดที่เกี่ยวกับการรัน LLMChains โดยใช้เฟรมเวิร์ก LangChain
บทสรุป
หากต้องการสร้างและรัน LLMChains ใน LangChain ให้ติดตั้งข้อกำหนดเบื้องต้น เช่น แพ็คเกจ และตั้งค่าสภาพแวดล้อมโดยใช้คีย์ API ของ OpenAI หลังจากนั้น ให้นำเข้าไลบรารีที่จำเป็นสำหรับการกำหนดค่าเทมเพลตและโมเดลพร้อมท์สำหรับการรัน LLMChain โดยใช้การขึ้นต่อกันของ LangChain ผู้ใช้สามารถใช้เอาต์พุตพาร์เซอร์และคำสั่งสตริงเพื่อรัน LLMChains ดังแสดงในคำแนะนำ คู่มือนี้ได้อธิบายรายละเอียดเกี่ยวกับกระบวนการรัน LLMChains ใน LangChain โดยสมบูรณ์