Hitri oris
Ta objava bo pokazala naslednje:
- Kako dostopati do vmesnih korakov agenta v LangChainu
- 1. način: privzeta vrnjena vrsta za dostop do vmesnih korakov
- 2. način: Uporaba »odlagališč« za dostop do vmesnih korakov
- Zaključek
Kako dostopati do vmesnih korakov agenta v LangChainu?
Za izgradnjo agenta v LangChainu mora uporabnik konfigurirati njegova orodja in strukturo predloge, da dobi število korakov, vključenih v model. Agent je odgovoren za avtomatizacijo vmesnih korakov, kot so misli, dejanja, opazovanja itd. Če želite izvedeti, kako dostopati do vmesnih korakov agenta v LangChainu, preprosto sledite navedenim korakom:
1. korak: Namestitev ogrodij
Najprej preprosto namestite odvisnosti LangChaina z izvedbo naslednje kode v zvezku Python:
pip namestite langchain_experimental
Namestite modul OpenAI, da dobite njegove odvisnosti z uporabo pip in jih uporabite za izdelavo jezikovnega modela:
pip namestite openai
2. korak: Nastavitev okolja OpenAI
Ko so moduli nameščeni, nastavite okolje OpenAI z uporabo ključa API, ustvarjenega iz njegovega računa:
uvoz ti
uvoz getpass
ti. približno [ 'OPENAI_API_KEY' ] = getpass. getpass ( 'Ključ API OpenAI:' )
3. korak: Uvoz knjižnic
Zdaj, ko imamo nameščene odvisnosti, jih uporabimo za uvoz knjižnic iz LangChaina:
iz langchaina. zastopniki uvoz load_toolsiz langchaina. zastopniki uvoz inicializiraj_agent
iz langchaina. zastopniki uvoz AgentType
iz langchaina. llms uvoz OpenAI
4. korak: Izdelava LLM in agenta
Ko so knjižnice uvožene, je čas, da jih uporabite za gradnjo jezikovnega modela in orodij za agenta. Definirajte spremenljivko llm in jo dodelite z metodo OpenAI(), ki vsebuje argumenta temperature in ime_modela. ' orodja ” spremenljivka vsebuje metodo load_tools() z orodji SerpAPi in llm-math ter jezikovnim modelom v argumentu:
llm = OpenAI ( temperaturo = 0 , ime_modela = 'besedilo-davinci-002' )orodja = load_tools ( [ 'serpapi' , 'llm-matematika' ] , llm = llm )
Ko so jezikovni model in orodja konfigurirani, preprosto oblikujte posrednika za izvajanje vmesnih korakov z uporabo orodij v jezikovnem modelu:
agent = inicializiraj_agent (orodja ,
llm ,
agent = AgentType. ZERO_SHOT_REACT_DESCRIPTION ,
verbose = Prav ,
povratni_vmesni_koraki = Prav ,
)
5. korak: Uporaba agenta
Zdaj preizkusite agenta tako, da postavite vprašanje pri vnosu metode agent() in jo izvedete:
odgovor = agent ({
'vnos' : 'Kdo je dekle Lea DiCapria in kakšna je njuna starostna razlika'
}
)
Manekenka si je učinkovito prizadevala pridobiti ime dekleta Lea DiCapria, njeno starost, starost Lea DiCapria in razliko med njima. Naslednji posnetek zaslona prikazuje več vprašanj in odgovorov, ki jih je agent iskal, da bi prišel do končnega odgovora:
Zgornji posnetek zaslona ne prikazuje delovanja posrednika in kako pride do te stopnje, da najde vse odgovore. Pojdimo na naslednji razdelek, da poiščemo korake:
1. način: privzeta vrnjena vrsta za dostop do vmesnih korakov
Prva metoda za dostop do vmesnega koraka je uporaba privzete vrnjene vrste, ki jo ponuja LangChain z naslednjo kodo:
tiskanje ( odgovor [ 'vmesni_koraki' ] )Naslednji GIF prikazuje vmesne korake v eni vrstici, kar ni ravno dobro, ko gre za vidik berljivosti:
2. način: Uporaba »odlagališč« za dostop do vmesnih korakov
Naslednja metoda pojasnjuje drug način pridobivanja vmesnih korakov z uporabo knjižnice izpisov iz ogrodja LangChain. Uporabite metodo dumps() z argumentom pretty, da naredite izpis bolj strukturiran in lahko berljiv:
iz langchaina. obremenitev . smetišče uvoz odlagališčatiskanje ( odlagališča ( odgovor [ 'vmesni_koraki' ] , lepa = Prav ) )
Zdaj imamo izhod v bolj strukturirani obliki, ki jo uporabnik zlahka prebere. Prav tako je razdeljen na več razdelkov, da je bolj smiseln, in vsak razdelek vsebuje korake za iskanje odgovorov na vprašanja:
To je vse o dostopu do vmesnih korakov agenta v LangChainu.
Zaključek
Za dostop do vmesnih korakov agenta v LangChain namestite module za uvoz knjižnic za gradnjo jezikovnih modelov. Po tem nastavite orodja za inicializacijo agenta z orodji, llm in vrsto agenta, ki lahko odgovori na vprašanja. Ko je agent konfiguriran, ga preizkusite, da dobite odgovore, nato pa uporabite knjižnico Privzeti tip ali izpise za dostop do vmesnih korakov. Ta vodnik podrobneje opisuje postopek dostopa do vmesnih korakov agenta v LangChainu.