Ta vodnik bo prikazal postopek izvajanja LLMChains v LangChain.
Kako zagnati LLMChains v LangChain?
LangChain ponuja funkcije ali odvisnosti za gradnjo LLMChains z uporabo LLM/Chatbotov in predlog pozivov. Če se želite naučiti postopka gradnje in izvajanja LLMChains v LangChain, preprosto sledite naslednjemu vodniku po korakih:
1. korak: Namestite pakete
Najprej začnite s postopkom z namestitvijo modula LangChain, da pridobite njegove odvisnosti za izdelavo in izvajanje LLMChains:
pip namestite langchain
Namestite ogrodje OpenAI z ukazom pip, da pripravite knjižnice do uporabe funkcije OpenAI() za gradnjo LLM-jev:
pip namestite openai
Po namestitvi modulov preprosto nastavite okolje spremenljivke z uporabo ključa API iz računa OpenAI:
uvoz ti
uvoz getpass
ti . približno [ 'OPENAI_API_KEY' ] = getpass . getpass ( 'Ključ API OpenAI:' )
2. korak: uvozite knjižnice
Ko je nastavitev končana in so vsi zahtevani paketi nameščeni, uvozite zahtevane knjižnice za izdelavo predloge poziva. Po tem preprosto zgradite LLM z metodo OpenAI() in konfigurirajte LLMChain z uporabo LLM in predloge poziva:
od Langchain uvoz PromptTemplateod Langchain uvoz OpenAI
od Langchain uvoz LLMChain
prompt_template = 'dajte mi dober naslov za podjetje, ki ustvarja {product}?'
llm = OpenAI ( temperaturo = 0 )
llm_veriga = LLMChain (
llm = llm ,
poziv = PromptTemplate. iz_predloge ( prompt_template )
)
llm_veriga ( 'pisana oblačila' )
3. korak: Tekalne verige
Pridobite vhodni seznam, ki vsebuje različne izdelke, ki jih proizvaja podjetje, in zaženite verigo za prikaz seznama na zaslonu:
vhodni_seznam = [{ 'izdelek' : 'nogavice' } ,
{ 'izdelek' : 'računalnik' } ,
{ 'izdelek' : 'čevlji' }
]
llm_veriga. uporabiti ( vhodni_seznam )
Zaženite metodo generate() z uporabo vhodni_seznam z LLMChains, da dobite izhod, povezan s pogovorom, ki ga ustvari model:
llm_veriga. ustvariti ( vhodni_seznam ) 
4. korak: Uporaba enega vnosa
Dodajte drug izdelek za zagon LLMChains z uporabo samo enega vhoda in nato predvidite, da bo LLMChain ustvaril izhod:
llm_veriga. napovedati ( izdelek = 'pisane nogavice' )5. korak: Uporaba več vhodov
Zdaj sestavite predlogo za uporabo več vnosov za zagotavljanje ukaza modelu, preden zaženete verigo:
predlogo = '''Povej mi {adjective} šalo o {temi}.'''poziv = PromptTemplate ( predlogo = predlogo , vhodne_spremenljivke = [ 'pridevnik' , 'predmet' ] )
llm_veriga = LLMChain ( poziv = poziv , llm = OpenAI ( temperaturo = 0 ) )
llm_veriga. napovedati ( pridevnik = 'žalosten' , predmet = 'race' )
6. korak: Uporaba izhodnega razčlenjevalnika
Ta korak uporablja metodo razčlenjevalnika izhoda za zagon LLMChain, da dobi izhod na podlagi poziva:
od Langchain. izhodni_razčlenjevalniki uvoz CommaSeparatedListOutputParserrazčlenjevalnik_izhoda = CommaSeparatedListOutputParser ( )
predlogo = '''Naštej vse barve v mavrici'''
poziv = PromptTemplate ( predlogo = predlogo , vhodne_spremenljivke = [ ] , razčlenjevalnik_izhoda = razčlenjevalnik_izhoda )
llm_veriga = LLMChain ( poziv = poziv , llm = llm )
llm_veriga. napovedati ( )
Uporaba metode parse() za pridobitev izhoda bo ustvarila z vejicami ločen seznam vseh barv v mavrici:
llm_veriga. napoved_in_razčlenitev ( ) 
7. korak: Inicializacija iz nizov
Ta korak pojasnjuje postopek uporabe niza kot poziva za zagon LLMChain z uporabo modela in predloge LLM:
predlogo = '''Povej mi {adjective} šalo o {temi}'''llm_veriga = LLMChain. iz_niza ( llm = llm , predlogo = predlogo )
Podajte vrednosti spremenljivk v pozivu za niz, da dobite izhod iz modela z zagonom LLMChain:
llm_veriga. napovedati ( pridevnik = 'žalosten' , predmet = 'race' )To je vse o izvajanju LLMChains z uporabo ogrodja LangChain.
Zaključek
Če želite zgraditi in zagnati LLMChains v LangChain, namestite predpogoje, kot so paketi, in nastavite okolje s ključem API OpenAI. Po tem uvozite zahtevane knjižnice za konfiguracijo predloge poziva in modela za izvajanje LLMChain z uporabo odvisnosti LangChain. Uporabnik lahko uporabi izhodne razčlenjevalnike in nizovne ukaze za zagon LLMChains, kot je prikazano v vodniku. Ta vodnik podrobneje opisuje celoten postopek izvajanja LLMChains v LangChain.