Darba sākšana ar aģentiem programmā LangChain?

Darba Saksana Ar Agentiem Programma Langchain

LangChain ir sistēma dabiskās valodas apstrādes risināšanai, lai izveidotu lietojumprogrammas vai programmatūru, kas var mijiedarboties un sarunāties ar cilvēkiem. Tērzēšanas roboti jeb lielo valodu modeļi (LLM) ir paredzēti, lai izveidotu vidi, kas var darboties kā tērzēšanas/sarunas saskarne. Šīs tērzēšanas sarunas notiek cilvēku valodās, ko sauc par dabiskajām valodām, piemēram, angļu valodu utt., starp cilvēkiem un AI modeli.

Ātrā kontūra

Šī ziņa parādīs sekojošo:

Kas ir aģenti dabiskās valodas apstrādē (NLP)

Darba sākšana ar aģentiem programmā LangChain

Ietvaru instalēšana
Konfigurējiet tērzēšanas modeli
Celtniecības aģents
Aģenta izsaukšana
Konfigurējiet aģenta rīkus
Aģenta pārbaude

Kas ir aģenti dabiskās valodas apstrādē (NLP)?

Aģenti ir būtiskas dabiskās valodas lietojumprogrammas sastāvdaļas, un tie izmanto dabiskās valodas izpratni (NLU), lai saprastu vaicājumus. Šie aģenti ir programmas, kas darbojas kā sarunvalodas veidne mijiedarbībai ar cilvēkiem, izmantojot uzdevumu secību. Aģenti izmanto vairākus rīkus, kurus aģents var izsaukt, lai veiktu vairākas darbības vai norādītu nākamo veicamo uzdevumu.

Darba sākšana ar aģentiem programmā LangChain

Sāciet aģentu veidošanas procesu, lai sarunātos ar cilvēkiem, izvelkot izvadi, izmantojot aģentus programmā LangChain. Lai uzzinātu, kā sākt darbu ar aģentiem programmā LangChain, vienkārši veiciet tālāk norādītās darbības.

1. darbība: ietvaru instalēšana

Vispirms sāciet ar LangChain ietvara instalēšanas procesu, izmantojot “ pip ” komandu, lai iegūtu vajadzīgās atkarības aģentu lietošanai:

pip instalēt langchain

Instalējiet OpenAI moduli LLM izveidei un izmantojiet to aģentu konfigurēšanai programmā LangChain:

pip install openai

Iestatiet vidi OpenAI modulim, izmantojot tā API atslēgu no konta, izpildot šādu kodu:

imports tu
imports getpass

tu . aptuveni [ 'OPENAI_API_KEY' ] = getpass . getpass ( 'OpenAI API atslēga:' )

2. darbība: konfigurējiet tērzēšanas modeli

Importējiet ChatOpenAI moduli no LangChain, lai izveidotu LLM, izmantojot tā funkciju:

no langchain. tērzēšanas_modeļi imports ChatOpenAI

llm = ChatOpenAI ( temperatūra = 0 )

Importējiet aģenta rīkus, lai konfigurētu uzdevumus vai darbības, kas aģentam jāveic. Šis kods izmanto metodi get_word_length(), lai iegūtu lietotāja norādītā vārda garumu:

no langchain. aģenti imports rīks

@ rīks

def get_word_length ( vārds: str ) - > starpt :

'''vārda garuma iegūšana'''

atgriezties tikai ( vārdu )

instrumenti = [ get_word_length ]

Konfigurējiet tērzēšanas modeļa veidni vai struktūru, lai izveidotu interfeisu tērzēšanai:

no langchain. uzvednes imports ChatPromptTemplate , MessagesPlaceholder

pamudināt = ChatPromptTemplate. from_Messages ( [

( 'sistēma' , 'jūsu palīgs ir pārsteidzošs, taču ir jāuzlabo garuma aprēķināšana' ) ,

( 'lietotājs' , '{input}' ) ,

MessagesPlaceholder ( mainīgā_nosaukums = 'agent_scratchpad' ) ,

] )

3. darbība: celtniecības līdzeklis

Importējiet rīku bibliotēku LLM izveidei ar rīkiem, izmantojot OpenAI funkcijas no LangChain moduļa:

no langchain. instrumenti . renderēt imports format_tool_to_openai_function

llm_ar_rīkiem = llm. saistīt (

funkcijas = [ format_tool_to_openai_function ( t ) priekš t iekšā instrumenti ]

)

Konfigurējiet aģentu, izmantojot OpenAI funkcijas aģentu, lai izmantotu izvades parsētāju darbību/uzdevumu secību iestatīšanai:

no langchain. aģenti . format_scratchpad imports format_to_openai_functions

no langchain. aģenti . izvades_parsers imports OpenAIFunctionsAgentOutputParser

aģents = {

'ievade' : lambda x: x [ 'ievade' ] ,

'agent_scratchpad' : lambda x: format_to_openai_functions ( x [ 'intermediate_steps' ] )

} | uzvedne | llm_ar_rīkiem | OpenAIFunctionsAgentOutputParser ( )

4. darbība. Aģenta izsaukšana

Nākamajā darbībā tiek izmantota funkcija invoke(), lai izsauktu aģentu, izmantojot argumentus input un intermediate_steps:

aģents. piesaukt ( {

'ievade' : 'cik burtu vārdam labs' ,

'starpposma_soļi' : [ ]

} )

5. darbība: konfigurējiet aģenta rīkus

Pēc tam vienkārši importējiet AgentFinish bibliotēku, lai konfigurētu intermediate_steps, integrējot visas darbības secībā, lai pabeigtu darbību:

no langchain. shēma . aģents imports AgentFinish
starpsoļi = [ ]
kamēr Taisnība :
izvade = aģents. piesaukt ( {
'ievade' : 'Vēstules labā' ,
'starpposma_soļi' : starpposmi
} )
ja instancē ( izvade , AgentFinish ) :
gala_rezultāts = izvade. atgriešanās_vērtības [ 'izeja' ]
pārtraukums
cits :
drukāt ( izvade. rīks , izvade. tool_input )
rīks = {
'get_word_length' : get_word_length
} [ izvade. rīks ]
novērojums = rīks. palaist ( izvade. tool_input )
starpsoļi. pievienot ( ( izvade , novērojums ) )
drukāt ( gala_rezultāts )

6. darbība. Aģenta pārbaude

Tagad izpildiet aģentu, izsaucot metodi AgentExecutor() pēc tās bibliotēkas importēšanas no LangChain:

no langchain. aģenti imports Aģents Izpildītājs

aģents_izpildītājs = Aģents Izpildītājs ( aģents = aģents , instrumenti = instrumenti , runīgs = Taisnība )

Beigās izsauciet agent_executor ar ievades argumentu, lai ievadītu aģenta vaicājumu:

aģents_izpildītājs. piesaukt ( { 'ievade' : 'cik burtu vārdam labs' } )

Pēc ķēdes pabeigšanas aģents ir parādījis atbildi uz ievades argumentā norādīto jautājumu:

Tas viss ir par darba sākšanu ar aģentiem LangChain sistēmā.

Secinājums

Lai sāktu darbu ar aģentiem programmā LangChain, vienkārši instalējiet moduļus, kas nepieciešami vides iestatīšanai, izmantojot OpenAI API atslēgu. Pēc tam konfigurējiet tērzēšanas modeli, iestatot uzvednes veidni aģenta izveidei ar starpposma darbību secību. Kad aģents ir konfigurēts, vienkārši izveidojiet rīkus, norādot uzdevumus pēc ievades virknes nodošanas lietotājam. Šis emuārs ir demonstrējis aģentu izmantošanas procesu programmā LangChain.