Garis Besar Singkat
Posting ini akan menunjukkan hal berikut:
- Cara Mengakses Langkah Menengah Agen di LangChain
- Menginstal Kerangka
- Mengatur Lingkungan OpenAI
- Mengimpor Perpustakaan
- Membangun LLM dan Agen
- Menggunakan Agen
- Metode 1: Jenis Pengembalian Default untuk Mengakses Langkah Menengah
- Metode 2: Menggunakan “dumps” untuk Mengakses Langkah Menengah
- Kesimpulan
Bagaimana Cara Mengakses Langkah Menengah Agen di LangChain?
Untuk membangun agen di LangChain, pengguna perlu mengonfigurasi alatnya dan struktur templat untuk mendapatkan jumlah langkah yang terlibat dalam model. Agen bertanggung jawab untuk mengotomatiskan langkah-langkah perantara seperti pemikiran, tindakan, observasi, dll. Untuk mempelajari cara mengakses langkah-langkah perantara dari agen di LangChain, cukup ikuti langkah-langkah yang tercantum:
Langkah 1: Menginstal Kerangka
Pertama-tama, cukup instal dependensi LangChain dengan mengeksekusi kode berikut di Notebook Python:
pip instal langchain_experimental
Instal modul OpenAI untuk mendapatkan dependensinya menggunakan pip perintah dan menggunakannya untuk membangun model bahasa:
pip instal openai
Langkah 2: Mengatur Lingkungan OpenAI
Setelah modul diinstal, atur lingkungan OpenAI menggunakan kunci API yang dihasilkan dari akunnya:
impor Anda
impor dapatkan pass
Anda. sekitar [ 'OPENAI_API_KEY' ] = dapatkan pass. dapatkan pass ( 'Kunci API OpenAI:' )
Langkah 3: Mengimpor Perpustakaan
Sekarang kita telah menginstal dependensi, gunakan dependensi tersebut untuk mengimpor perpustakaan dari LangChain:
dari langchain. agen impor memuat_alatdari langchain. agen impor inisialisasi_agent
dari langchain. agen impor Tipe Agen
dari langchain. llms impor OpenAI
Langkah 4: Membangun LLM dan Agen
Setelah perpustakaan diimpor, sekarang saatnya menggunakannya untuk membangun model bahasa dan alat untuk agen. Tentukan variabel llm dan tetapkan dengan metode OpenAI() yang berisi argumen suhu dan nama_model. “ peralatan ” Variabel berisi metode load_tools() dengan alat SerpAPi dan llm-math serta model bahasa dalam argumennya:
llm = OpenAI ( suhu = 0 , nama model = 'teks-davinci-002' )peralatan = memuat_alat ( [ 'serpapi' , 'llm-matematika' ] , llm = llm )
Setelah model bahasa dan alat dikonfigurasi, cukup rancang agen untuk melakukan langkah-langkah perantara menggunakan alat dalam model bahasa:
agen = inisialisasi_agent (peralatan ,
llm ,
agen = Tipe Agen. NOL_SHOT_REACT_DESCRIPTION ,
bertele-tele = BENAR ,
return_intermediate_steps = BENAR ,
)
Langkah 5: Menggunakan Agen
Sekarang, uji agen tersebut dengan mengajukan pertanyaan pada input metode agent() dan jalankan:
tanggapan = agen ({
'memasukkan' : 'Siapa pacar Leo DiCaprio dan berapa perbedaan usia mereka'
}
)
Model tersebut telah bekerja secara efisien untuk mengetahui nama pacar Leo DiCaprio, usianya, usia Leo DiCaprio, dan perbedaan di antara keduanya. Tangkapan layar berikut menampilkan beberapa pertanyaan dan jawaban yang dicari oleh agen untuk sampai pada jawaban akhir:
Tangkapan layar di atas tidak menampilkan cara kerja agen dan bagaimana ia mencapai tahap tersebut untuk menemukan semua jawabannya. Mari beralih ke bagian berikutnya untuk menemukan langkah-langkahnya:
Metode 1: Jenis Pengembalian Default untuk Mengakses Langkah Menengah
Metode pertama untuk mengakses langkah perantara adalah menggunakan tipe pengembalian default yang ditawarkan oleh LangChain menggunakan kode berikut:
mencetak ( tanggapan [ 'langkah_menengah' ] )GIF berikut menampilkan langkah-langkah peralihan dalam satu baris yang kurang baik dalam aspek keterbacaan:
Metode 2: Menggunakan “dumps” untuk Mengakses Langkah Menengah
Metode selanjutnya menjelaskan cara lain untuk mendapatkan langkah perantara menggunakan perpustakaan dump dari kerangka LangChain. Gunakan metode dumps() dengan argumen cantik untuk membuat keluaran lebih terstruktur dan mudah dibaca:
dari langchain. memuat . membuang impor kesedihanmencetak ( kesedihan ( tanggapan [ 'langkah_menengah' ] , cantik = BENAR ) )
Sekarang, kami memiliki keluaran dalam bentuk yang lebih terstruktur yang mudah dibaca oleh pengguna. Ini juga dibagi menjadi beberapa bagian agar lebih masuk akal dan setiap bagian berisi langkah-langkah untuk menemukan jawaban atas pertanyaan:
Sekian tentang mengakses langkah perantara agen di LangChain.
Kesimpulan
Untuk mengakses langkah perantara agen di LangChain, instal modul untuk mengimpor perpustakaan guna membangun model bahasa. Setelah itu, siapkan alat untuk menginisialisasi agen menggunakan alat, llm, dan jenis agen yang dapat menjawab pertanyaan. Setelah agen dikonfigurasi, ujilah untuk mendapatkan jawabannya, lalu gunakan pustaka tipe Default atau dumps untuk mengakses langkah-langkah perantara. Panduan ini telah menguraikan proses mengakses langkah-langkah perantara agen di LangChain.