Greitas kontūras
Šis įrašas parodys šiuos dalykus:
- Kaip pasiekti tarpinius agento veiksmus „LangChain“.
- Frameworkų diegimas
- OpenAI aplinkos nustatymas
- Bibliotekų importavimas
- Statybos LLM ir agentas
- Agento naudojimas
- 1 būdas: numatytasis grąžinimo tipas norint pasiekti tarpinius veiksmus
- 2 būdas: „Sąvartynų“ naudojimas norint pasiekti tarpinius veiksmus
- Išvada
Kaip pasiekti tarpinius agento veiksmus „LangChain“?
Norėdami sukurti agentą LangChain, vartotojas turi sukonfigūruoti savo įrankius ir šablono struktūrą, kad gautų modelio veiksmų skaičių. Agentas yra atsakingas už tarpinių žingsnių, pvz., minčių, veiksmų, stebėjimų ir kt., automatizavimą. Norėdami sužinoti, kaip pasiekti tarpinius agento veiksmus „LangChain“, tiesiog atlikite šiuos veiksmus:
1 veiksmas: „Frameworks“ diegimas
Visų pirma, tiesiog įdiekite „LangChain“ priklausomybes, vykdydami šį kodą „Python Notebook“:
pip įdiegti langchain_experimental
Įdiekite OpenAI modulį, kad gautumėte jo priklausomybes naudodami pip komandą ir naudokite juos kurdami kalbos modelį:
pip install openai
2 veiksmas: OpenAI aplinkos nustatymas
Įdiegę modulius, nustatykite OpenAI aplinka naudojant API raktą, sugeneruotą iš paskyros:
importuoti tu
importuoti gauti pasą
tu. maždaug [ „OPENAI_API_KEY“ ] = gauti pasą. gauti pasą ( 'OpenAI API raktas:' )
3 veiksmas: bibliotekų importavimas
Dabar, kai įdiegėme priklausomybes, naudokite jas bibliotekoms importuoti iš „LangChain“:
iš langchain. agentai importuoti load_toolsiš langchain. agentai importuoti inicijuoti_agentą
iš langchain. agentai importuoti Agento tipas
iš langchain. llms importuoti OpenAI
4 žingsnis: LLM ir agento kūrimas
Kai bibliotekos bus importuotos, laikas jas naudoti kuriant kalbos modelį ir agento įrankius. Apibrėžkite llm kintamąjį ir priskirkite jį OpenAI() metodu, kuriame yra temperatūros ir modelio_pavadinimo argumentai. „ įrankiai ” kintamajame yra metodas load_tools() su SerpAPi ir llm-math įrankiais ir kalbos modelis argumente:
llm = OpenAI ( temperatūros = 0 , Modelio vardas = 'text-davinci-002' )įrankiai = load_tools ( [ 'serpapi' , 'llm-math' ] , llm = llm )
Sukonfigūravę kalbos modelį ir įrankius, tiesiog suprojektuokite agentą, kad jis atliktų tarpinius veiksmus naudodami kalbos modelio įrankius:
agentas = inicijuoti_agentą (įrankiai ,
llm ,
agentas = Agento tipas. ZERO_SHOT_REACT_DESCRIPTION ,
žodinis = Tiesa ,
grįžti_tarpiniai_žingsniai = Tiesa ,
)
5 veiksmas: Agento naudojimas
Dabar išbandykite agentą, užduodami klausimą agent() metodo įvestyje ir jį vykdydami:
atsakymą = agentas ({
'įvestis' : „Kas yra Leo DiCaprio mergina ir koks jų amžiaus skirtumas?
}
)
Modelis dirbo efektyviai, kad gautų Leo DiCaprio merginos vardą, jos amžių, Leo DiCaprio amžių ir skirtumą tarp jų. Šioje ekrano kopijoje rodomi keli klausimai ir atsakymai, kurių agentas ieškojo, kad gautų galutinį atsakymą:
Aukščiau pateiktoje ekrano kopijoje nerodomas agento darbas ir kaip jis pasiekia tą etapą, kad rastų visus atsakymus. Pereikime į kitą skyrių, kad rastume veiksmus:
1 būdas: numatytasis grąžinimo tipas norint pasiekti tarpinius veiksmus
Pirmasis būdas pasiekti tarpinį veiksmą yra naudojant numatytąjį grąžinimo tipą, kurį siūlo „LangChain“, naudojant šį kodą:
spausdinti ( atsakymą [ 'tarpiniai_žingsniai' ] )Toliau pateiktame GIF tarpiniai žingsniai rodomi vienoje eilutėje, o tai nėra labai gerai, kai kalbama apie skaitomumo aspektą:
2 būdas: „Sąvartynų“ naudojimas norint pasiekti tarpinius veiksmus
Kitas metodas paaiškina kitą būdą, kaip gauti tarpinius veiksmus naudojant iškelties biblioteką iš LangChain sistemos. Naudokite dumps() metodą su gražiu argumentu, kad išvestis būtų struktūriškesnė ir lengviau skaitoma:
iš langchain. apkrova . sąvartynas importuoti sąvartynusspausdinti ( sąvartynus ( atsakymą [ 'tarpiniai_žingsniai' ] , graži = Tiesa ) )
Dabar turime labiau struktūrizuotą išvestį, kurią vartotojas gali lengvai perskaityti. Jis taip pat yra padalintas į kelias dalis, kad būtų prasmingesnis, ir kiekviename skyriuje pateikiami žingsniai, kaip rasti atsakymus į klausimus:
Tai viskas apie prieigą prie tarpinių agento veiksmų „LangChain“.
Išvada
Norėdami pasiekti tarpinius agento veiksmus „LangChain“, įdiekite modulius, skirtus importuoti bibliotekas kalbų modeliams kurti. Po to nustatykite įrankius agentui inicijuoti naudodami įrankius, llm ir agento tipą, galintį atsakyti į klausimus. Kai agentas yra sukonfigūruotas, išbandykite jį, kad gautumėte atsakymus, tada naudokite biblioteką Numatytasis tipas arba iškeltos, kad pasiektumėte tarpinius veiksmus. Šiame vadove išsamiai aprašomas „LangChain“ agento tarpinių veiksmų prieigos procesas.