Hurtig disposition
Dette indlæg vil demonstrere følgende:
- Sådan får du adgang til de mellemliggende trin for en agent i LangChain
- Installation af Frameworks
- Indstilling af OpenAI-miljø
- Import af biblioteker
- Bygning af LLM og agent
- Brug af agenten
- Metode 1: Standard returtype for at få adgang til de mellemliggende trin
- Metode 2: Brug af 'dumps' for at få adgang til de mellemliggende trin
- Konklusion
Hvordan får man adgang til de mellemliggende trin for en agent i LangChain?
For at bygge agenten i LangChain skal brugeren konfigurere sine værktøjer og skabelonens struktur for at få antallet af trin involveret i modellen. Agenten er ansvarlig for at automatisere de mellemliggende trin som tanker, handlinger, observationer osv. For at lære, hvordan du får adgang til de mellemliggende trin for en agent i LangChain, skal du blot følge de anførte trin:
Trin 1: Installation af Frameworks
Først og fremmest skal du blot installere afhængighederne af LangChain ved at udføre følgende kode i Python Notebook:
pip installer langchain_experimental
Installer OpenAI-modulet for at få dets afhængigheder ved hjælp af pip kommando og brug dem til at bygge sprogmodellen:
pip installer openai
Trin 2: Indstilling af OpenAI-miljø
Når modulerne er installeret, skal du konfigurere OpenAI miljø ved hjælp af API-nøglen genereret fra dens konto:
importere du
importere getpass
du. rundt regnet [ 'OPENAI_API_KEY' ] = getpass. getpass ( 'OpenAI API-nøgle:' )
Trin 3: Import af biblioteker
Nu hvor vi har afhængighederne installeret, brug dem til at importere biblioteker fra LangChain:
fra langchain. agenter importere indlæs_værktøjerfra langchain. agenter importere initialize_agent
fra langchain. agenter importere AgentType
fra langchain. llms importere OpenAI
Trin 4: Opbygning af LLM og agent
Når bibliotekerne er importeret, er det tid til at bruge dem til at bygge sprogmodellen og værktøjerne til agenten. Definer llm-variablen og tildel den med OpenAI()-metoden, der indeholder temperatur- og modelnavn-argumenterne. Det ' værktøjer Variablen indeholder load_tools() metoden med SerpAPi og llm-math værktøjerne og sprogmodellen i dens argument:
llm = OpenAI ( temperatur = 0 , model_name = 'text-davinci-002' )værktøjer = indlæs_værktøjer ( [ 'serpapi' , 'llm-matematik' ] , llm = llm )
Når sprogmodellen og værktøjerne er konfigureret, skal du blot designe agenten til at udføre de mellemliggende trin ved hjælp af værktøjerne i sprogmodellen:
agent = initialize_agent (værktøjer ,
llm ,
agent = AgentType. ZERO_SHOT_REACT_DESCRIPTION ,
ordrig = Rigtigt ,
retur_mellemtrin = Rigtigt ,
)
Trin 5: Brug af agenten
Sæt nu agenten på prøve ved at stille et spørgsmål i input af agent()-metoden og udføre det:
respons = agent ({
'input' : 'Hvem er Leo DiCaprios kæreste, og hvad er deres aldersforskel'
}
)
Modellen har arbejdet effektivt for at få navnet på Leo DiCaprios kæreste, hendes alder, Leo DiCaprios alder og forskellen mellem dem. Følgende skærmbillede viser flere spørgsmål og svar, som agenten har søgt efter for at komme til det endelige svar:
Ovenstående skærmbillede viser ikke, hvordan agenten fungerer, og hvordan den kommer til det stadie for at finde alle svarene. Lad os gå til næste afsnit for at finde trinene:
Metode 1: Standard returtype for at få adgang til de mellemliggende trin
Den første metode til at få adgang til det mellemliggende trin er at bruge standardreturtypen, der tilbydes af LangChain ved hjælp af følgende kode:
Print ( respons [ 'mellemtrin' ] )Følgende GIF viser de mellemliggende trin på en enkelt linje, hvilket ikke er helt godt, når det kommer til læsbarhedsaspektet:
Metode 2: Brug af 'dumps' for at få adgang til de mellemliggende trin
Den næste metode forklarer en anden måde at få de mellemliggende trin ved hjælp af dump-biblioteket fra LangChain frameworket. Brug metoden dumps() med det smukke argument for at gøre output mere struktureret og let at læse:
fra langchain. belastning . losseplads importere lossepladserPrint ( lossepladser ( respons [ 'mellemtrin' ] , smuk = Rigtigt ) )
Nu har vi outputtet i en mere struktureret form, der er let at læse for brugeren. Den er også opdelt i flere sektioner for at give mere mening, og hver sektion indeholder trinene til at finde svar på spørgsmålene:
Det handler om at få adgang til de mellemliggende trin for en agent i LangChain.
Konklusion
For at få adgang til de mellemliggende trin for en agent i LangChain skal du installere modulerne til at importere biblioteker til opbygning af sprogmodeller. Derefter skal du konfigurere værktøjer til at initialisere agenten ved hjælp af værktøjerne, llm og typen af agent, der kan besvare spørgsmålene. Når agenten er konfigureret, test den for at få svarene og brug derefter standardtypen eller dumps-biblioteket til at få adgang til de mellemliggende trin. Denne vejledning har uddybet processen med at få adgang til de mellemliggende trin for en agent i LangChain.