Store sprogmodeller eller LLM'er er en kraftfuld form for neural netværksalgoritme til at bygge chatbots, der henter data ved hjælp af kommandoer på naturlige sprog. LLM'er gør det muligt for maskiner/computere at forstå naturligt sprog bedre og generere sprog som mennesker. LangChain-modulet arbejder også med at bygge NLP-modeller. Den har dog ikke sin LLM, men den tillader interaktion med mange forskellige LLM'er.
Denne guide vil forklare processen med at interagere med store sprogmodeller ved hjælp af LangChain.
Hvordan interagerer man med LLM'er ved hjælp af LangChain?
For at interagere med LLM'er ved hjælp af LangChain skal du blot følge denne enkle trin-for-trin guide med eksempler:
Installer moduler til at interagere med LLM'er
Inden du starter processen med interaktion med LLM'er, der bruger LangChain, skal du installere ' langkæde ” modul ved hjælp af følgende kode:
pip installere langkæde
For at installere OpenAI-rammen skal du bruge dens API-nøgle til at interagere med LLM'er via følgende kode:
Importer nu ' du ' og ' getpass ” for at bruge OpenAI API-nøglen efter at have udført koden:
import os
importere getpass
os.miljø [ 'OPENAI_API_KEY' ] = getpass.getpass ( 'OpenAI API-nøgle:' )
Ringer til LLM
Importer OpenAI-biblioteket fra LangChain-modulet for at tildele dets funktion til ' llm variabel:
fra langchain.llms importer OpenAIllm = ÅbenAI ( )
Derefter skal du blot ringe til ' llm '-funktionen og promptforespørgslen som dens parameter:
Generer flere tekster ved hjælp af LLM'er
Brug generere()-metoden med flere prompter i naturligt sprog til at generere teksten fra LLM og gemme dem i ' llm_resultat variabel:
llm_result = llm.generer ( [ 'Jeg vil gerne høre en joke' , 'Skriv et digt' ] * femten )
Få længden af de objekter, der er gemt i ' llm_resultat variabel ved hjælp af funktionen generere():
Kald blot variablen med objekternes indeksnummer:
Følgende skærmbillede viser teksten gemt i ' llm_resultat variabel ved dets 0-indeks, der genererer joken:
Brug generations()-metoden med index -1 parameter til at generere digtet placeret i llm_result-variablen:
Du skal blot vise det genererede output i resultatvariablen for at få den udbyderspecifikke information, der er genereret i den forrige LLM ved hjælp af den genererede funktion:
Det handler om at interagere med LLM'er ved hjælp af LangChain-rammerne til at generere naturligt sprog.
Konklusion
For at interagere med store sprogmodeller ved hjælp af LangChain skal du blot installere rammer som LangChain og OpenAI for at importere biblioteker til LLM'er. Angiv derefter OpenAI API-nøglen til brug som LLM'er til at forstå eller generere det naturlige sprog. Brug LLM til inputprompten i naturligt sprog, og kald den derefter for at generere tekst baseret på kommandoen. Denne guide har forklaret processen med at interagere med de store sprogmodeller ved hjælp af LangChain-moduler.