Kecerdasan Buatan adalah salah satu teknologi yang berkembang paling pesat yang menggunakan algoritma pembelajaran mesin untuk melatih dan menguji model menggunakan data yang sangat besar. Data dapat disimpan dalam format berbeda tetapi untuk membuat Model Bahasa Besar menggunakan LangChain, tipe yang paling banyak digunakan adalah JSON. Data pelatihan dan pengujian harus jelas dan lengkap tanpa ambiguitas agar model dapat bekerja secara efektif.
Panduan ini akan mendemonstrasikan proses penggunaan parser JSON pydantic di LangChain.
Bagaimana Cara Menggunakan Parser Pydantic (JSON) di LangChain?
Data JSON berisi format data tekstual yang dapat dikumpulkan melalui web scraping dan banyak sumber lain seperti log, dll. Untuk memvalidasi keakuratan data, LangChain menggunakan perpustakaan pydantic dari Python untuk menyederhanakan prosesnya. Untuk menggunakan parser JSON pydantic di LangChain, cukup ikuti panduan ini:
Langkah 1: Instal Modul
Untuk memulai prosesnya, cukup instal modul LangChain untuk menggunakan perpustakaannya untuk menggunakan parser di LangChain:
pip Install rantailang
Sekarang, gunakan “ pemasangan pip ” perintah untuk mendapatkan kerangka OpenAI dan menggunakan sumber dayanya:
pip Install terbuka
Setelah menginstal modul, cukup sambungkan ke lingkungan OpenAI dengan menyediakan kunci API-nya menggunakan “ Anda ' Dan ' dapatkan pass ” perpustakaan:
impor kamiimpor getpass
os.lingkungan [ 'OPENAI_API_KEY' ] = getpass.getpass ( 'Kunci API OpenAI:' )
Langkah 2: Impor Perpustakaan
Gunakan modul LangChain untuk mengimpor perpustakaan yang diperlukan yang dapat digunakan untuk membuat template untuk prompt. Templat untuk prompt menjelaskan metode mengajukan pertanyaan dalam bahasa alami sehingga model dapat memahami prompt secara efektif. Selain itu, impor perpustakaan seperti OpenAI dan ChatOpenAI untuk membuat rantai menggunakan LLM untuk membangun chatbot:
dari impor langchain.prompts (Templat Prompt,
Templat Prompt Obrolan,
Templat Prompt Pesan Manusia,
)
dari langchain.llms impor OpenAI
dari langchain.chat_models impor ChatOpenAI
Setelah itu, impor pustaka pydantic seperti BaseModel, Field, dan validator untuk menggunakan parser JSON di LangChain:
dari langchain.output_parsers impor PydanticOutputParserdari impor pydantic BaseModel, Field, validator
dari mengetik Daftar impor
Langkah 3: Membangun Model
Setelah mendapatkan semua perpustakaan untuk menggunakan parser JSON pydantic, cukup dapatkan model teruji yang telah dirancang sebelumnya dengan metode OpenAI():
nama_model = 'teks-davinci-003'suhu = 0,0
model = OpenAI ( nama model =nama_model, suhu =suhu )
Langkah 4: Konfigurasikan Aktor BaseModel
Bangun model lain untuk mendapatkan jawaban terkait aktor seperti nama dan filmnya dengan menanyakan filmografi aktor tersebut:
Aktor kelas ( Model Dasar ) :nama: str = Bidang ( keterangan = 'Nama Aktor Utama' )
nama_film: Daftar [ str ] = Bidang ( keterangan = 'Film yang aktor utamanya' )
aktor_query = 'Saya ingin melihat filmografi aktor mana pun'
parser = PydanticOutputParser ( pydantic_object =Aktor )
prompt = Templat Prompt (
templat = 'Balas perintah dari pengguna. \N {format_instructions} \N {pertanyaan} \N ' ,
masukan_variabel = [ 'pertanyaan' ] ,
parsial_variabel = { 'format_instruksi' : parser.get_format_instructions ( ) } ,
)
Langkah 5: Menguji Model Dasar
Cukup dapatkan output menggunakan fungsi parse() dengan variabel output yang berisi hasil yang dihasilkan untuk prompt:
_input = prompt.format_prompt ( pertanyaan =aktor_query )keluaran = model ( _input.ke_string ( ) )
parser.parse ( keluaran )
Aktor bernama “ Tom Hanks ” dengan daftar filmnya telah diambil menggunakan fungsi pydantic dari model:
Itu saja tentang penggunaan parser JSON pydantic di LangChain.
Kesimpulan
Untuk menggunakan parser JSON pydantic di LangChain, cukup instal modul LangChain dan OpenAI untuk terhubung ke sumber daya dan perpustakaannya. Setelah itu, impor perpustakaan seperti OpenAI dan pydantic untuk membangun model dasar dan memverifikasi data dalam bentuk JSON. Setelah membangun model dasar, jalankan fungsi parse(), dan fungsi tersebut akan mengembalikan jawaban untuk prompt. Posting ini mendemonstrasikan proses penggunaan parser JSON pydantic di LangChain.