Šī rokasgrāmata ilustrēs sarunu zināšanu diagrammas izmantošanas procesu LangChain.
Kā lietot sarunu zināšanu grafiku programmā LangChain?
The SarunaKGAtmiņa bibliotēku var izmantot, lai atjaunotu atmiņu, ko var izmantot, lai iegūtu mijiedarbības kontekstu. Lai uzzinātu, kā lietot sarunu zināšanu diagrammu programmā LangChain, vienkārši veiciet norādītās darbības:
1. darbība: instalējiet moduļus
Vispirms sāciet ar sarunu zināšanu diagrammas izmantošanu, instalējot moduli LangChain:
pip instalēt langchain
Instalējiet OpenAI moduli, ko var instalēt, izmantojot komandu pip, lai iegūtu tā bibliotēkas lielu valodu modeļu veidošanai:
pip install openai
Tagad iekārtot vidi izmantojot OpenAI API atslēgu, ko var ģenerēt no tā konta:
imports tu
imports getpass
tu . aptuveni [ 'OPENAI_API_KEY' ] = getpass . getpass ( 'OpenAI API atslēga:' )
2. darbība. Atmiņas izmantošana ar LLM
Kad moduļi ir instalēti, sāciet izmantot atmiņu ar LLM, importējot vajadzīgās bibliotēkas no LangChain moduļa:
no langchain. atmiņa imports SarunaKGAtmiņano langchain. llms imports OpenAI
Izveidojiet LLM, izmantojot OpenAI() metodi, un konfigurējiet atmiņu, izmantojot SarunaKGAtmiņa () metode. Pēc tam saglabājiet uzvednes veidnes, izmantojot vairākas ievades ar to attiecīgo atbildi, lai apmācītu modeli ar šiem datiem:
llm = OpenAI ( temperatūra = 0 )atmiņa = SarunaKGAtmiņa ( llm = llm )
atmiņa. save_context ( { 'ievade' : 'say to John' } , { 'izeja' : 'Džons! Kurš' } )
atmiņa. save_context ( { 'ievade' : 'viņš ir draugs' } , { 'izeja' : 'protams' } )
Pārbaudiet atmiņu, ielādējot atmiņas_mainīgie () metode, izmantojot vaicājumu, kas saistīts ar iepriekš minētajiem datiem:
atmiņa. load_memory_variables ( { 'ievade' : 'kas ir Jānis' } ) 
Konfigurējiet atmiņu, izmantojot ConversationKGMemory() metodi ar return_messages arguments, lai iegūtu arī ievades vēsturi:
atmiņa = SarunaKGAtmiņa ( llm = llm , return_messages = Taisnība )atmiņa. save_context ( { 'ievade' : 'say to John' } , { 'izeja' : 'Džons! Kurš' } )
atmiņa. save_context ( { 'ievade' : 'viņš ir draugs' } , { 'izeja' : 'protams' } )
Vienkārši pārbaudiet atmiņu, norādot ievades argumentu ar tā vērtību vaicājuma veidā:
atmiņa. load_memory_variables ( { 'ievade' : 'kas ir Jānis' } ) 
Tagad pārbaudiet atmiņu, uzdodot jautājumu, kas nav minēts apmācības datos, un modelim nav ne jausmas par atbildi:
atmiņa. get_current_entities ( 'Kāda ir Jāņa mīļākā krāsa' )Izmantojiet get_knowledge_triplets () metodi, atbildot uz iepriekš uzdoto vaicājumu:
atmiņa. get_knowledge_triplets ( 'viņa mīļākā krāsa ir sarkana' ) 
3. darbība. Atmiņas izmantošana ķēdē
Nākamajā darbībā tiek izmantota sarunu atmiņa ar ķēdēm, lai izveidotu LLM modeli, izmantojot OpenAI() metodi. Pēc tam konfigurējiet uzvednes veidni, izmantojot sarunas struktūru, un teksts tiks parādīts, iegūstot modeļa izvadi:
llm = OpenAI ( temperatūra = 0 )no langchain. uzvednes . pamudināt imports PromptTemplate
no langchain. ķēdes imports Sarunu ķēde
veidne = '''Šī ir cilvēka un mašīnas mijiedarbības veidne
Sistēma ir AI modelis, kas var runāt vai iegūt informāciju par vairākiem aspektiem
Ja tas nesaprot jautājumu vai nesaņem atbildi, tas vienkārši to saka
Sistēma izvelk datus, kas glabājas sadaļā 'Īpaši' un nerada halucinācijas
Konkrēts:
{vēsture}
Saruna:
Cilvēks: {input}
AI: '''
#Konfigurējiet veidni vai struktūru, lai nodrošinātu uzvednes un saņemtu atbildi no AI sistēmas
pamudināt = PromptTemplate ( ievades_mainīgie = [ 'vēsture' , 'ievade' ] , veidne = veidne )
saruna_ar_kg = Sarunu ķēde (
llm = llm , runīgs = Taisnība , pamudināt = pamudināt , atmiņa = SarunaKGAtmiņa ( llm = llm )
)
Kad modelis ir izveidots, vienkārši zvaniet uz saruna_ar_kg modeli, izmantojot metodi prognozēt() ar lietotāja uzdoto vaicājumu:
saruna_ar_kg. prognozēt ( ievade = 'Čau, kā iet?' ) 
Tagad apmāciet modeli, izmantojot sarunu atmiņu, norādot informāciju kā metodes ievades argumentu:
saruna_ar_kg. prognozēt (ievade = 'Mani sauc Džeimss, un es palīdzu Vilam, viņš ir inženieris'
)
Šeit ir laiks pārbaudīt modeli, lūdzot vaicājumus iegūt informāciju no datiem:
saruna_ar_kg. prognozēt ( ievade = 'Kas ir Vils' ) 
Tas ir viss par sarunu zināšanu diagrammas izmantošanu LangChain.
Secinājums
Lai izmantotu sarunu zināšanu grafiku programmā LangChain, instalējiet moduļus vai ietvarus, lai importētu bibliotēkas, izmantojot ConversationKGMemory() metodi. Pēc tam izveidojiet modeli, izmantojot atmiņu, lai izveidotu ķēdes un iegūtu informāciju no konfigurācijā sniegtajiem apmācības datiem. Šajā rokasgrāmatā ir detalizēti aprakstīts sarunu zināšanu diagrammas izmantošanas process programmā LangChain.