Panduan ini akan mengilustrasikan proses penggunaan contoh pemilih Relevansi Marginal Maksimal di LangChain.
Bagaimana Cara Menggunakan Pilih berdasarkan Relevansi Marginal Maksimal (MMR) di LangChain?
Pemilih contoh Relevansi Marginal Maksimal digunakan untuk mengekstrak informasi menggunakan kesamaan kosinus dari prompt dan contoh. Kesamaan kosinus dihitung setelah menerapkan metode penyematan pada data dan mengubah teks menjadi bentuk numerik.
Untuk mempelajari proses penggunaan pemilih contoh MMR di LangChain, cukup lakukan langkah-langkah berikut:
Langkah 1: Instal Modul
Mulai proses dengan menginstal dependensi LangChain menggunakan perintah pip:
pip instal langchain
Instal modul OpenAI untuk menggunakan lingkungannya dalam menerapkan metode OpenAIEmbedding():
pip instal openai
Instal kerangka FAISS yang dapat digunakan untuk mendapatkan keluaran menggunakan kesamaan semantik:
pip instal faiss-gpu 
Sekarang, instal tiktoken tokenizer untuk membagi teks menjadi potongan-potongan kecil menggunakan kode berikut:
pip instal tiktoken 
Langkah 2: Menggunakan Perpustakaan dan Contoh
Langkah selanjutnya adalah mengimpor perpustakaan untuk membuat pemilih contoh MMR, FAISS, OpenAIEmbeddings, dan PromptTemplate. Setelah mengimpor perpustakaan, cukup buat kumpulan contoh yang memberikan input dan output untuk masing-masing input dalam beberapa array:
dari rantailang. petunjuknya . contoh_pemilih impor (MaxMarginalRelevanceExampleSelector ,
Pemilih Contoh Kemiripan Semantik ,
)
dari rantailang. toko vektor impor FAISS
dari rantailang. penyematan impor OpenAIEmbeddings
dari rantailang. petunjuknya impor Templat BeberapaShotPrompt , Templat Prompt
contoh_prompt = Templat Prompt (
masukan_variabel = [ 'memasukkan' , 'keluaran' ] ,
templat = 'Masukan: {masukan} \N Keluaran: {keluaran}' ,
)
contoh = [
{ 'memasukkan' : 'senang' , 'keluaran' : 'sedih' } ,
{ 'memasukkan' : 'tinggi' , 'keluaran' : 'pendek' } ,
{ 'memasukkan' : 'energik' , 'keluaran' : 'lesu' } ,
{ 'memasukkan' : 'cerah' , 'keluaran' : 'muram' } ,
{ 'memasukkan' : 'berangin' , 'keluaran' : 'tenang' } ,
]
Langkah 3: Membangun Pemilih Contoh
Sekarang, mulailah membuat pemilih contoh MMR menggunakan metode MaxMarginalRelevanceExampleSelector() yang berisi parameter berbeda:
contoh_pemilih = MaxMarginalRelevanceExampleSelector. dari_contoh (contoh ,
OpenAIEmbeddings ( ) ,
FAISS ,
k = 2 ,
)
mmr_prompt = Templat BeberapaShotPrompt (
contoh_pemilih = contoh_pemilih ,
contoh_prompt = contoh_prompt ,
awalan = 'Berikan antonim dari setiap masukan' ,
akhiran = 'Masukan: {kata sifat} \N Keluaran:' ,
masukan_variabel = [ 'kata sifat' ] ,
)
Langkah 4: Menguji Pemilih Contoh MMR
Uji pemilih contoh MMR Relevansi Marginal Maksimal dengan memanggilnya dalam metode print() dengan masukan:
mencetak ( mmr_prompt. format ( kata sifat = 'khawatir' ) ) 
Langkah 5: Menggunakan SemanticSimilarity
Langkah ini menggunakan metode SemanticSimilarityExampleSelector() dan kemudian menggunakan metode FewShotPromptTemplate() yang didukung oleh LangChain:
contoh_pemilih = Pemilih Contoh Kemiripan Semantik. dari_contoh (contoh ,
OpenAIEmbeddings ( ) ,
FAISS ,
k = 2 ,
)
serupa_prompt = Templat BeberapaShotPrompt (
contoh_pemilih = contoh_pemilih ,
contoh_prompt = contoh_prompt ,
awalan = 'Berikan antonim dari setiap masukan' ,
akhiran = 'Masukan: {kata sifat} \N Keluaran:' ,
masukan_variabel = [ 'kata sifat' ] ,
)
mencetak ( serupa_prompt. format ( kata sifat = 'khawatir' ) )
Itu semua tentang menggunakan pemilihan berdasarkan Relevansi Marginal Maksimal atau MMR di LangChain.
Kesimpulan
Untuk menggunakan pemilih contoh pemilihan berdasarkan Relevansi Marginal Maksimal atau MMR di LangChain, instal modul yang diperlukan. Setelah itu, impor perpustakaan untuk membuat kumpulan contoh menggunakan templat prompt input dan output. Buat pemilih contoh MMR untuk mengujinya menggunakan pemilih contoh MMR dan metode FewShotPromptTemplate() untuk mendapatkan keluaran yang relevan. Panduan ini telah mengilustrasikan proses penggunaan contoh pemilih pilih-demi-MMR di LangChain.