Ta objava ponazarja metodo uporabe funkcij in razredov izhodnega razčlenjevalnika prek ogrodja LangChain.
Kako uporabljati izhodni razčlenjevalec prek LangChaina?
Izhodni razčlenjevalniki so izhodi in razredi, ki lahko pomagajo pridobiti strukturiran izhod iz modela. Če se želite naučiti postopka uporabe izhodnih razčlenjevalcev v LangChain, preprosto pojdite skozi navedene korake:
1. korak: Namestite module
Najprej začnite postopek uporabe izhodnih razčlenjevalnikov z namestitvijo modula LangChain z njegovimi odvisnostmi, da greste skozi postopek:
pip namestite Langchain
Po tem namestite modul OpenAI za uporabo njegovih knjižnic, kot sta OpenAI in ChatOpenAI:
pip namestite openai
Zdaj nastavite okolje za OpenAI z uporabo ključa API iz računa OpenAI:
uvažajte nas
uvoz getpass
os.okolje [ 'OPENAI_API_KEY' ] = getpass.getpass ( 'Ključ API OpenAI:' )
2. korak: uvozite knjižnice
Naslednji korak je uvoz knjižnic iz LangChain za uporabo izhodnih razčlenjevalnikov v ogrodju:
iz langchain.prompts uvozi HumanMessagePromptTemplate
iz pydantic import Field
iz langchain.prompts uvoz ChatPromptTemplate
iz langchain.output_parsers uvozi PydanticOutputParser
iz pydantic import BaseModel
iz validatorja uvoza pydantic
iz langchain.chat_models uvozi ChatOpenAI
iz langchain.llms uvozi OpenAI
od tipkanja import List
3. korak: Izgradnja podatkovne strukture
Gradnja strukture izhoda je bistvena uporaba razčlenjevalnikov izhoda v velikih jezikovnih modelih. Preden pridemo do podatkovne strukture modelov, je potrebno definirati ime modela, ki ga uporabljamo za pridobitev strukturiranega izhoda iz izhodnih razčlenjevalcev:
temperatura = 0,0
model = OpenAI ( ime_modela =ime_modela, temperaturo =temperatura )
Zdaj uporabite razred Joke, ki vsebuje BaseModel, da konfigurirate strukturo izhoda, da dobite šalo iz modela. Po tem lahko uporabnik enostavno doda logiko preverjanja po meri s pydantic razredom, ki lahko od uporabnika zahteva, da postavi bolje oblikovano poizvedbo/poziv:
razred Šala ( BaseModel ) :nastavitev: str = Polje ( opis = 'poizvedba za prikaz šale' )
punchline: str = Polje ( opis = 'odgovori na vprašanje s šalo' )
#Logično preverjanje za poizvedbo, saj jo mora model pravilno razumeti
@ validator ( 'nastaviti' )
def question_ends_with_question_mark ( cls, polje ) :
če polje [ - 1 ] ! = '?' :
poveča ValueError ( 'Slabo oblikovano vprašanje!' )
vrnitev polje
4. korak: Nastavitev predloge poziva
Konfigurirajte spremenljivko razčlenjevalnika, ki vsebuje metodo PydanticOutputParser(), ki vsebuje njene parametre:
Ko konfigurirate razčlenjevalnik, preprosto definirajte spremenljivko poziva z uporabo metode PromptTemplate() s strukturo poizvedbe/poziva:
prompt = PromptTemplate (predlogo = 'Odgovorite na poizvedbo uporabnika. \n {format_instructions} \n {poizvedba} \n ' ,
vhodne_spremenljivke = [ 'povpraševanje' ] ,
delne_spremenljivke = { 'format_instructions' : parser.get_format_instructions ( ) }
)
5. korak: preizkusite izhodni razčlenjevalnik
Ko konfigurirate vse zahteve, ustvarite spremenljivko, ki je dodeljena s poizvedbo, in nato pokličite metodo format_prompt():
_input = prompt.format_prompt ( poizvedbo =šala_poizvedba )
Zdaj pokličite funkcijo model(), da definirate izhodno spremenljivko:
izhod = model ( _input.to_string ( ) )Dokončajte postopek testiranja s klicem metode parser() z izhodno spremenljivko kot parametrom:
parser.parse ( izhod ) 
To je vse o postopku uporabe izhodnega razčlenjevalnika v LangChainu.
Zaključek
Če želite uporabiti izhodni razčlenjevalnik v LangChain, namestite module in nastavite okolje OpenAI z njegovim ključem API. Po tem definirajte model in nato konfigurirajte podatkovno strukturo izhoda z logično validacijo poizvedbe, ki jo zagotovi uporabnik. Ko je podatkovna struktura konfigurirana, preprosto nastavite predlogo poziva in nato preizkusite izhodni razčlenjevalnik, da dobite rezultat iz modela. Ta priročnik je ponazoril postopek uporabe izhodnega razčlenjevalnika v ogrodju LangChain.