Memulai Dengan Agen di LangChain?

Memulai Dengan Agen Di Langchain

LangChain adalah framework untuk menyelesaikan Natural Language Processing untuk membangun aplikasi atau perangkat lunak yang dapat berinteraksi dan berkomunikasi dengan manusia. Chatbots atau Large Language Models (LLMs) dirancang untuk menciptakan lingkungan yang dapat bertindak sebagai antarmuka untuk obrolan/percakapan. Obrolan ini dilakukan dalam bahasa manusia yang disebut bahasa alami seperti bahasa Inggris, dll. antara manusia dan model AI.

Garis Besar Singkat

Posting ini akan menunjukkan hal berikut:

Apa itu Agen dalam Pemrosesan Bahasa Alami (NLP)

Memulai Dengan Agen di LangChain

Menginstal Kerangka
Konfigurasikan Model Obrolan
Agen Bangunan
Memanggil Agen
Konfigurasikan Alat Agen
Menguji Agen

Apa itu Agen dalam Pemrosesan Bahasa Alami (NLP)?

Agen adalah komponen penting dari aplikasi bahasa alami dan mereka menggunakan Pemahaman Bahasa Alami (NLU) untuk memahami kueri. Agen-agen ini adalah program yang bertindak seperti templat percakapan untuk berinteraksi dengan manusia menggunakan urutan tugas. Agen menggunakan beberapa alat yang dapat dipanggil oleh agen untuk melakukan beberapa tindakan atau menentukan tugas berikutnya yang harus dilakukan.

Memulai Dengan Agen di LangChain

Mulailah proses membangun agen untuk melakukan percakapan dengan manusia dengan mengekstraksi keluaran menggunakan agen di LangChain. Untuk mempelajari proses memulai dengan agen di LangChain, cukup ikuti langkah-langkah di bawah ini:

Langkah 1: Menginstal Kerangka

Pertama, mulailah proses instalasi kerangka LangChain menggunakan “ pip ” perintah untuk mendapatkan dependensi yang diperlukan untuk menggunakan agen:

pip instal langchain

Instal modul OpenAI untuk membangun LLM dan gunakan modul tersebut untuk mengonfigurasi agen di LangChain:

pip instal openai

Siapkan lingkungan untuk modul OpenAI menggunakan kunci API-nya dari akun dengan menjalankan kode berikut:

impor Anda
impor dapatkan pass

Anda . sekitar [ 'OPENAI_API_KEY' ] = dapatkan pass . dapatkan pass ( 'Kunci API OpenAI:' )

Langkah 2: Konfigurasikan Model Obrolan

Impor modul ChatOpenAI dari LangChain untuk membangun LLM menggunakan fungsinya:

dari rantailang. obrolan_model impor ObrolanOpenAI

llm = ObrolanOpenAI ( suhu = 0 )

Impor alat bagi agen untuk mengonfigurasi tugas atau tindakan yang perlu dilakukan oleh agen. Kode berikut menggunakan metode get_word_length() untuk mendapatkan panjang kata yang diberikan oleh pengguna:

dari rantailang. agen impor alat

@ alat

def dapatkan_kata_panjang ( kata: str ) - > ke dalam :

'''mendapatkan panjang kata'''

kembali hanya ( kata )

peralatan = [ dapatkan_kata_panjang ]

Konfigurasikan templat atau struktur model obrolan guna membuat antarmuka untuk mengobrol:

dari rantailang. petunjuknya impor Templat Prompt Obrolan , Placeholder Pesan

mengingatkan = Templat Prompt Obrolan. dari_pesan ( [

( 'sistem' , 'asisten Anda sungguh luar biasa, tetapi perlu perbaikan dalam menghitung panjang' ) ,

( 'pengguna' , '{memasukkan}' ) ,

Placeholder Pesan ( nama_variabel = 'agen_scratchpad' ) ,

] )

Langkah 3: Agen Bangunan

Impor pustaka alat untuk membangun LLM dengan alat menggunakan fungsi OpenAI dari modul LangChain:

dari rantailang. peralatan . memberikan impor format_tool_to_openai_function

llm_with_tools = llm. mengikat (

fungsi = [ format_tool_to_openai_function ( T ) untuk T di dalam peralatan ]

)

Konfigurasikan agen menggunakan agen fungsi OpenAI untuk menggunakan parser keluaran guna mengatur urutan tindakan/tugas:

dari rantailang. agen . format_scratchpad impor format_to_openai_fungsi

dari rantailang. agen . keluaran_parser impor OpenAIFunctionsAgentOutputParser

agen = {

'memasukkan' : lambda x: x [ 'memasukkan' ] ,

'agen_scratchpad' : lambda x: format_to_openai_fungsi ( X [ 'langkah_menengah' ] )

} | cepat | llm_with_tools | OpenAIFunctionsAgentOutputParser ( )

Langkah 4: Memanggil Agen

Langkah selanjutnya menggunakan fungsi invoke() untuk memanggil agen menggunakan argumen input dan perantara_langkah:

agen. memohon ( {

'memasukkan' : 'berapa banyak huruf dalam kata bagus' ,

'langkah_menengah' : [ ]

} )

Langkah 5: Konfigurasikan Alat Agen

Setelah itu, cukup impor pustaka AgentFinish untuk mengonfigurasi langkah_antara dengan mengintegrasikan semua langkah secara berurutan untuk menyelesaikan aktivitas:

dari rantailang. skema . agen impor Agen Selesai
langkah_menengah = [ ]
ketika BENAR :
keluaran = agen. memohon ( {
'memasukkan' : 'surat dalam keadaan baik' ,
'langkah_menengah' : langkah_menengah
} )
jika contoh ( keluaran , Agen Selesai ) :
hasil_akhir = keluaran. nilai_pengembalian [ 'keluaran' ]
merusak
kalau tidak :
mencetak ( keluaran. alat , keluaran. alat_masukan )
alat = {
'dapatkan_panjang_kata' : dapatkan_panjang_kata
} [ keluaran. alat ]
pengamatan = alat. berlari ( keluaran. alat_masukan )
langkah_menengah. menambahkan ( ( keluaran , pengamatan ) )
mencetak ( hasil_akhir )

Langkah 6: Menguji Agen

Sekarang, jalankan agen dengan memanggil metode AgentExecutor() setelah mengimpor perpustakaannya dari LangChain:

dari rantailang. agen impor Agen Pelaksana

agen_pelaksana = Agen Pelaksana ( agen = agen , peralatan = peralatan , bertele-tele = BENAR )

Pada akhirnya, panggil agent_executor dengan argumen input untuk memasukkan kueri agen:

agen_pelaksana. memohon ( { 'memasukkan' : 'berapa banyak huruf dalam kata bagus' } )

Agen telah menampilkan jawaban atas pertanyaan yang diberikan dalam argumen masukan setelah menyelesaikan rantai:

Itu semua tentang memulai dengan agen dalam kerangka LangChain.

Kesimpulan

Untuk memulai dengan agen di LangChain, cukup instal modul yang diperlukan untuk menyiapkan lingkungan menggunakan kunci API OpenAI. Setelah itu, konfigurasikan model obrolan dengan mengatur templat prompt untuk membangun agen dengan urutan langkah perantara. Setelah agen dikonfigurasi, cukup buat alat dengan menentukan tugas setelah memberikan string input kepada pengguna. Blog ini telah mendemonstrasikan proses penggunaan agen di LangChain.