Denne guide vil illustrere processen med at bruge samtaleviden-grafen i LangChain.
Hvordan bruger man samtalevidensgraf i LangChain?
Det SamtaleKGMemory bibliotek kan bruges til at genskabe den hukommelse, der kan bruges til at få konteksten for interaktionen. For at lære processen med at bruge samtaleviden-grafen i LangChain skal du blot gennemgå de anførte trin:
Trin 1: Installer moduler
Først skal du komme i gang med processen med at bruge samtaleviden-grafen ved at installere LangChain-modulet:
pip installer langkæde
Installer OpenAI-modulet, som kan installeres ved hjælp af pip-kommandoen for at få dets biblioteker til at bygge store sprogmodeller:
pip installer openai
Nu, sætte miljøet op ved hjælp af OpenAI API-nøglen, der kan genereres fra dens konto:
importere du
importere getpass
du . rundt regnet [ 'OPENAI_API_KEY' ] = getpass . getpass ( 'OpenAI API-nøgle:' )
Trin 2: Brug af hukommelse med LLM'er
Når modulerne er installeret, skal du begynde at bruge hukommelsen med LLM ved at importere de nødvendige biblioteker fra LangChain-modulet:
fra langkæde. hukommelse importere SamtaleKGMemoryfra langkæde. llms importere OpenAI
Byg LLM ved hjælp af OpenAI()-metoden og konfigurer hukommelsen ved hjælp af SamtaleKGMemory () metode. Gem derefter promptskabelonerne ved hjælp af flere input med deres respektive svar for at træne modellen på disse data:
llm = OpenAI ( temperatur = 0 )hukommelse = SamtaleKGMemory ( llm = llm )
hukommelse. gem_kontekst ( { 'input' : 'sig hej til john' } , { 'produktion' : 'John! Hvem' } )
hukommelse. gem_kontekst ( { 'input' : 'han er en ven' } , { 'produktion' : 'jo da' } )
Test hukommelsen ved at indlæse memory_variables () metode ved hjælp af forespørgslen relateret til ovenstående data:
hukommelse. load_memory_variables ( { 'input' : 'hvem er john' } ) 
Konfigurer hukommelsen ved hjælp af ConversationKGMemory() metoden med return_beskeder argument for også at få historien om inputtet:
hukommelse = SamtaleKGMemory ( llm = llm , return_beskeder = Rigtigt )hukommelse. gem_kontekst ( { 'input' : 'sig hej til john' } , { 'produktion' : 'John! Hvem' } )
hukommelse. gem_kontekst ( { 'input' : 'han er en ven' } , { 'produktion' : 'jo da' } )
Test blot hukommelsen ved at give input-argumentet dens værdi i form af en forespørgsel:
hukommelse. load_memory_variables ( { 'input' : 'hvem er john' } ) 
Test nu hukommelsen ved at stille spørgsmålet, der ikke er nævnt i træningsdataene, og modellen har ingen idé om svaret:
hukommelse. get_current_entities ( 'hvad er johns yndlingsfarve' )Brug get_knowledge_tripletter () metode ved at svare på den tidligere stillede forespørgsel:
hukommelse. get_knowledge_tripletter ( 'hans yndlingsfarve er rød' ) 
Trin 3: Brug af Memory in Chain
Det næste trin bruger samtalehukommelsen med kæderne til at bygge LLM-modellen ved hjælp af OpenAI()-metoden. Konfigurer derefter promptskabelonen ved hjælp af samtalestrukturen, og teksten vil blive vist, mens du får output fra modellen:
llm = OpenAI ( temperatur = 0 )fra langkæde. prompter . hurtig importere PromptTemplate
fra langkæde. kæder importere Samtalekæde
skabelon = '''Dette er skabelonen for interaktionen mellem mennesker og maskine
Systemet er en kunstig intelligens-model, der kan tale eller udtrække information om flere aspekter
Hvis den ikke forstår spørgsmålet eller har svaret, siger den blot det
Systemet uddrager data, der er gemt i afsnittet 'Specifikke' og hallucinerer ikke
Bestemt:
{historie}
Samtale:
Menneske: {input}
AI:'''
#Konfigurer skabelonen eller strukturen til at give prompter og få svar fra AI-systemet
hurtig = PromptTemplate ( input_variables = [ 'historie' , 'input' ] , skabelon = skabelon )
samtale_med_kg = Samtalekæde (
llm = llm , ordrig = Rigtigt , hurtig = hurtig , hukommelse = SamtaleKGMemory ( llm = llm )
)
Når modellen er oprettet, skal du blot ringe til samtale_med_kg model ved hjælp af predict() metoden med forespørgslen stillet af brugeren:
samtale_med_kg. forudsige ( input = 'Hej hvad så?' ) 
Træn nu modellen ved hjælp af samtalehukommelse ved at give informationen som input-argument for metoden:
samtale_med_kg. forudsige (input = 'Jeg hedder James og jeg hjælper Will, han er ingeniør'
)
Her er tiden til at teste modellen ved at bede forespørgslerne om at udtrække information fra dataene:
samtale_med_kg. forudsige ( input = 'Hvem er Will' ) 
Det handler om at bruge samtaleviden-grafen i LangChain.
Konklusion
For at bruge samtaleviden-grafen i LangChain skal du installere modulerne eller rammerne for at importere biblioteker til brug af ConversationKGMemory()-metoden. Derefter skal du bygge modellen ved hjælp af hukommelsen til at bygge kæderne og udtrække information fra træningsdataene i konfigurationen. Denne guide har uddybet processen med at bruge samtaleviden-grafen i LangChain.