คู่มือนี้จะแสดงขั้นตอนการใช้สรุปการสนทนาใน LangChain
วิธีใช้สรุปการสนทนาใน LangChain
LangChain มีไลบรารีเช่น ConversationSummaryMemory ที่สามารถดึงข้อมูลสรุปที่สมบูรณ์ของการแชทหรือการสนทนาได้ สามารถใช้เพื่อรับข้อมูลหลักของการสนทนาโดยไม่ต้องอ่านข้อความทั้งหมดที่มีอยู่ในแชท
หากต้องการเรียนรู้กระบวนการใช้สรุปการสนทนาใน LangChain เพียงทำตามขั้นตอนต่อไปนี้:
ขั้นตอนที่ 1: ติดตั้งโมดูล
ขั้นแรก ติดตั้งเฟรมเวิร์ก LangChain เพื่อรับการขึ้นต่อกันหรือไลบรารีโดยใช้โค้ดต่อไปนี้:
pip ติดตั้ง langchain
ตอนนี้ ให้ติดตั้งโมดูล OpenAI หลังจากติดตั้ง LangChain โดยใช้คำสั่ง pip:
pip ติดตั้ง openai 
หลังจากติดตั้งโมดูลแล้ว ตั้งค่าสภาพแวดล้อม ใช้รหัสต่อไปนี้หลังจากได้รับคีย์ API จากบัญชี OpenAI:
นำเข้า คุณนำเข้า รับผ่าน
คุณ . ประมาณ [ 'OPENAI_API_KEY' ] = รับผ่าน . รับผ่าน ( 'คีย์ OpenAI API:' )
ขั้นตอนที่ 2: การใช้สรุปการสนทนา
เข้าสู่กระบวนการใช้สรุปการสนทนาโดยการนำเข้าไลบรารีจาก LangChain:
จาก แลงเชน หน่วยความจำ นำเข้า บทสนทนาสรุปหน่วยความจำ , ประวัติข้อความแชทจาก แลงเชน llms นำเข้า OpenAI
กำหนดค่าหน่วยความจำของโมเดลโดยใช้วิธี ConversationSummaryMemory() และ OpenAI() และบันทึกข้อมูลในนั้น:
หน่วยความจำ = บทสนทนาสรุปหน่วยความจำ ( llm = OpenAI ( อุณหภูมิ = 0 ) )หน่วยความจำ. บันทึก_บริบท ( { 'ป้อนข้อมูล' : : 'สวัสดี' } , { 'เอาท์พุท' : : 'สวัสดี' } )
เรียกใช้หน่วยความจำโดยการเรียก load_memory_variables() วิธีการดึงข้อมูลจากหน่วยความจำ:
หน่วยความจำ. load_memory_variables ( { } ) 
ผู้ใช้ยังสามารถรับข้อมูลในรูปแบบของการสนทนาเหมือนกับแต่ละเอนทิตีด้วยข้อความแยกกัน:
หน่วยความจำ = บทสนทนาสรุปหน่วยความจำ ( llm = OpenAI ( อุณหภูมิ = 0 ) , return_messages = จริง )หน่วยความจำ. บันทึก_บริบท ( { 'ป้อนข้อมูล' : : 'สวัสดี' } , { 'เอาท์พุท' : : 'สวัสดีเป็นอย่างไรบ้าง' } )
หากต้องการรับข้อความของ AI และมนุษย์แยกจากกัน ให้ดำเนินการเมธอด load_memory_variables():
หน่วยความจำ. load_memory_variables ( { } ) 
จัดเก็บสรุปการสนทนาไว้ในหน่วยความจำ จากนั้นดำเนินการหน่วยความจำเพื่อแสดงสรุปการสนทนา/การสนทนาบนหน้าจอ:
ข้อความ = หน่วยความจำ. chat_memory . ข้อความก่อนหน้า_สรุป = ''
หน่วยความจำ. คาดการณ์_ใหม่_สรุป ( ข้อความ , ก่อนหน้า_สรุป )
ขั้นตอนที่ 3: การใช้สรุปการสนทนากับข้อความที่มีอยู่
ผู้ใช้ยังสามารถรับสรุปการสนทนาที่มีอยู่นอกชั้นเรียนหรือการแชทโดยใช้ข้อความ ChatMessageHistory() คุณสามารถเพิ่มข้อความเหล่านี้ลงในหน่วยความจำเพื่อให้สามารถสร้างสรุปการสนทนาที่สมบูรณ์ได้โดยอัตโนมัติ:
ประวัติศาสตร์ = ประวัติข้อความแชท ( )ประวัติศาสตร์. add_user_message ( 'สวัสดี' )
ประวัติศาสตร์. add_ai_message ( 'สวัสดี!' )
สร้างแบบจำลอง เช่น LLM โดยใช้เมธอด OpenAI() เพื่อดำเนินการกับข้อความที่มีอยู่ใน chat_memory ตัวแปร:
หน่วยความจำ = บทสนทนาสรุปหน่วยความจำ จาก_ข้อความ (llm = OpenAI ( อุณหภูมิ = 0 ) ,
chat_memory = ประวัติศาสตร์ ,
return_messages = จริง
)
ดำเนินการหน่วยความจำโดยใช้บัฟเฟอร์เพื่อรับข้อมูลสรุปของข้อความที่มีอยู่:
หน่วยความจำ. กันชน 
รันโค้ดต่อไปนี้เพื่อสร้าง LLM โดยการกำหนดค่าหน่วยความจำบัฟเฟอร์โดยใช้ข้อความแชท:
หน่วยความจำ = บทสนทนาสรุปหน่วยความจำ (llm = OpenAI ( อุณหภูมิ = 0 ) ,
กันชน = '''มนุษย์ถามเครื่องจักรถามเกี่ยวกับตัวเอง
ระบบตอบกลับว่า AI ถูกสร้างขึ้นมาเพื่อสิ่งที่ดีเพราะสามารถช่วยให้มนุษย์บรรลุศักยภาพของตนได้''' ,
chat_memory = ประวัติศาสตร์ ,
return_messages = จริง
)
ขั้นตอนที่ 4: การใช้สรุปการสนทนาในเครือข่าย
ขั้นตอนต่อไปจะอธิบายกระบวนการใช้สรุปการสนทนาในห่วงโซ่โดยใช้ LLM:
จาก แลงเชน llms นำเข้า OpenAIจาก แลงเชน ห่วงโซ่ นำเข้า การสนทนาห่วงโซ่
llm = OpenAI ( อุณหภูมิ = 0 )
การสนทนา_กับ_สรุป = การสนทนาห่วงโซ่ (
llm = llm ,
หน่วยความจำ = บทสนทนาสรุปหน่วยความจำ ( llm = OpenAI ( ) ) ,
รายละเอียด = จริง
)
การสนทนา_กับ_สรุป ทำนาย ( ป้อนข้อมูล = 'สวัสดี คุณสบายดีไหม' )
ที่นี่เราได้เริ่มต้นสร้างเครือข่ายโดยเริ่มการสนทนาด้วยการซักถามอย่างสุภาพ:
ตอนนี้เข้าสู่การสนทนาโดยถามเพิ่มเติมอีกเล็กน้อยเกี่ยวกับผลลัพธ์สุดท้ายเพื่อขยายความ:
การสนทนา_กับ_สรุป ทำนาย ( ป้อนข้อมูล = “บอกฉันมามากกว่านี้สิ!” )โมเดลได้อธิบายข้อความสุดท้ายพร้อมคำแนะนำโดยละเอียดเกี่ยวกับเทคโนโลยี AI หรือแชทบอท:
แยกจุดสนใจจากผลลัพธ์ก่อนหน้าเพื่อดำเนินการสนทนาไปในทิศทางที่เฉพาะเจาะจง:
การสนทนา_กับ_สรุป ทำนาย ( ป้อนข้อมูล = “มหัศจรรย์มาก โครงการนี้ดียังไง?” )ที่นี่เราได้รับคำตอบโดยละเอียดจากบอทโดยใช้ไลบรารีหน่วยความจำสรุปการสนทนา:
นั่นคือทั้งหมดที่เกี่ยวกับการใช้สรุปการสนทนาใน LangChain
บทสรุป
หากต้องการใช้ข้อความสรุปการสนทนาใน LangChain เพียงติดตั้งโมดูลและเฟรมเวิร์กที่จำเป็นในการตั้งค่าสภาพแวดล้อม เมื่อตั้งค่าสภาพแวดล้อมแล้ว ให้นำเข้าไฟล์ บทสนทนาสรุปหน่วยความจำ ไลบรารีเพื่อสร้าง LLM โดยใช้วิธี OpenAI() หลังจากนั้น เพียงใช้สรุปการสนทนาเพื่อแยกผลลัพธ์โดยละเอียดจากแบบจำลองซึ่งเป็นบทสรุปของการสนทนาครั้งก่อน คู่มือนี้ได้อธิบายรายละเอียดเกี่ยวกับกระบวนการใช้หน่วยความจำสรุปการสนทนาโดยใช้โมดูล LangChain