Как да използвам паметта на обекта в LangChain?

LangChain е модул, който позволява създаването на модели, които могат да обработват естествени езици, които са езиците, които хората използват за комуникация. LangChain съдържа всички необходими модули и зависимости, които могат да се използват за изграждане на големи езикови модели или чатботове. Тези модели трябва да бъдат обучени да научат естествения език, за да генерират текстове въз основа на заявките, предоставени от потребителя.

Това ръководство ще илюстрира процеса на използване на паметта на обекта в LangChain.

Как да използвам паметта на обекта в LangChain?

Обектът се използва за запазване на ключовите факти, съхранени в паметта, за да бъдат извлечени, когато бъдат попитани от човека, използвайки заявките/подканите. За да научите процеса на използване на паметта на обекта в LangChain, просто посетете следното ръководство:

Стъпка 1: Инсталирайте модули

Първо инсталирайте модула LangChain, като използвате командата pip, за да получите неговите зависимости:

pip инсталирайте langchain

След това инсталирайте модула OpenAI, за да получите неговите библиотеки за изграждане на LLM и чат модели:

pip инсталирайте openai

Настройте средата OpenAI използвайки API ключа, който може да бъде извлечен от OpenAI акаунта:

импортиране Вие

импортиране getpass

Вие . приблизително [ „OPENAI_API_KEY“ ] = getpass . getpass ( „API ключ на OpenAI:“ )

Стъпка 2: Използване на Entity Memory

За да използвате паметта на обекта, импортирайте необходимите библиотеки за изграждане на LLM с помощта на метода OpenAI():

от Langchain. llms импортиране OpenAI

от Langchain. памет импортиране ConversationEntityMemory

llm = OpenAI ( температура = 0 )

След това дефинирайте памет променлива с помощта на метода ConversationEntityMemory() за обучение на модела с помощта на входните и изходните променливи:

памет = ConversationEntityMemory ( llm = llm )

_вход = { 'вход' : „Joe са Root са правили проект“ }

памет. load_memory_variables ( _вход )

памет. save_context (

_вход ,

{ 'изход' : 'Страхотно! Що за проект е това?' }

)

Сега тествайте паметта, като използвате заявката/подканата в вход променлива чрез извикване на метода load_memory_variables():

памет. load_memory_variables ( { 'вход' : 'кой е Root' } )

Сега дайте малко повече информация, за да може моделът да добави още няколко обекта в паметта:

памет = ConversationEntityMemory ( llm = llm , върнати_съобщения = Вярно )

_вход = { 'вход' : „Joe са Root са правили проект“ }

памет. load_memory_variables ( _вход )

памет. save_context (

_вход ,

{ 'изход' : 'Страхотно! Що за проект е това' }

)

Изпълнете следния код, за да получите изхода, като използвате обектите, които се съхраняват в паметта. Възможно е чрез вход съдържащ подканата:

памет. load_memory_variables ( { 'вход' : 'кой е Джо' } )

Стъпка 3: Използване на паметта на обекта във верига

За да използвате паметта на обекта след изграждане на верига, просто импортирайте необходимите библиотеки, като използвате следния кодов блок:

от Langchain. вериги импортиране ConversationChain

от Langchain. памет импортиране ConversationEntityMemory

от Langchain. памет . подкана импортиране ENTITY_MEMORY_CONVERSATION_TEMPLATE

от пидантичен импортиране BaseModel

от писане импортиране списък , Dict , Всякакви

Изградете модела на разговор с помощта на метода ConversationChain(), като използвате аргументи като llm:

разговор = ConversationChain (

llm = llm ,

многословен = Вярно ,

подкана = ENTITY_MEMORY_CONVERSATION_TEMPLATE ,

памет = ConversationEntityMemory ( llm = llm )

)

Извикайте метода conversion.predict() с входа, инициализиран с подканата или заявката:

разговор. прогнозирам ( вход = „Joe са Root са правили проект“ )

Сега получете отделен изход за всеки обект, описващ информацията за него:

разговор. памет . entity_store . магазин

Използвайте изхода от модела, за да дадете входа, така че моделът да може да съхранява повече информация за тези обекти:

разговор. прогнозирам ( вход = „Те се опитват да добавят по-сложни структури на паметта към Langchain“ )

След като дадете информацията, която се съхранява в паметта, просто задайте въпроса, за да извлечете конкретната информация за обектите:

разговор. прогнозирам ( вход = „Какво знаеш за Джо и Рут“ )

Стъпка 4: Тестване на Memory Store

Потребителят може да инспектира директно хранилищата на паметта, за да получи информацията, съхранена в тях, като използва следния код:

от печат импортиране печат

печат ( разговор. памет . entity_store . магазин )

Предоставете повече информация, която да се съхранява в паметта, тъй като повече информация дава по-точни резултати:

разговор. прогнозирам ( вход = „Root основа бизнес, наречен HJRS“ )

Извлечете информация от хранилището на паметта, след като добавите повече информация за обектите:

от печат импортиране печат

печат ( разговор. памет . entity_store . магазин )

Паметта съдържа информация за множество обекти като HJRS, Joe, LangChain и Root:

Сега извлечете информация за конкретен обект, като използвате заявката или подканата, дефинирани във входната променлива:

разговор. прогнозирам ( вход = „Какво знаете за Root“ )

Това е всичко за използването на паметта на обекта с помощта на рамката LangChain.

Заключение

За да използвате паметта на обекта в LangChain, просто инсталирайте необходимите модули за импортиране на библиотеки, необходими за изграждане на модели след настройка на средата OpenAI. След това изградете LLM модела и съхранете обекти в паметта, като предоставите информация за обектите. Потребителят може също да извлича информация с помощта на тези обекти и да изгражда тези спомени във веригите с разбъркана информация за обекти. Тази публикация разработи подробно процеса на използване на паметта на обекта в LangChain.

Как да използвам паметта на обекта в LangChain?