లాంగ్‌చెయిన్‌లో ఏజెంట్‌ని ఉపయోగించి రియాక్ట్ లాజిక్‌ను ఎలా అమలు చేయాలి?

ది ' స్పందించలేదు ” అనేది లాంగ్వేజ్ మోడల్ పనితీరును మెరుగుపరచడానికి కారణం మరియు చర్య దశల కలయిక “ రె 'కారణాన్ని సూచిస్తుంది మరియు' చట్టం ” చర్యకు. టెక్స్ట్‌ను అర్థం చేసుకోవడానికి మరియు రూపొందించడానికి LLMలు లేదా చాట్‌బాట్‌లను రూపొందించడానికి రియాక్ట్ లాజిక్ తరచుగా అత్యంత అనుకూలమైనదిగా పరిగణించబడుతుంది. ఏజెంట్ ఏయే చర్యలను నిర్వహించాలో మరియు ఏ క్రమంలో నిర్వహించాలో నిర్ణయించే నిర్ణయాధికారుడు.

లాంగ్‌చెయిన్‌లోని ఏజెంట్‌ని ఉపయోగించి రియాక్ట్ లాజిక్‌ని అమలు చేసే ప్రక్రియను తెలుసుకోవడానికి, కింది గైడ్‌ని చదవండి:

దశ 1: ఫ్రేమ్‌వర్క్‌లను ఇన్‌స్టాల్ చేయడం

అన్నింటిలో మొదటిది, రియాక్ట్ లాజిక్‌ను అమలు చేసే ప్రక్రియను ప్రారంభించడానికి LangChainని ఇన్‌స్టాల్ చేయండి:

పిప్ ఇన్‌స్టాల్ లాంగ్‌చెయిన్

Google నుండి శోధన ఫలితాలను పొందగల ఏజెంట్‌ను రూపొందించడానికి డిపెండెన్సీలను పొందడానికి Google-శోధన-ఫలితాల మాడ్యూల్‌ను ఇన్‌స్టాల్ చేయండి:

pip ఇన్స్టాల్ openai google-search-results

ఆ తర్వాత, రియాక్ట్ లాజిక్‌ను అమలు చేయడానికి పెద్ద భాషా నమూనాలు లేదా LLMలను లోడ్ చేయడానికి ఉపయోగించే OpenAI మాడ్యూల్‌లను ఇన్‌స్టాల్ చేయండి:

pip ఇన్స్టాల్ openai

అవసరమైన అన్ని మాడ్యూళ్ళను పొందిన తర్వాత, కేవలం సెటప్ చేయండి OpenAI పర్యావరణం LLM నిర్మాణానికి మరియు SerpAPI పర్యావరణం మోడల్‌లో ఏజెంట్‌ను ఉపయోగించడం కోసం:

దిగుమతి మీరు

దిగుమతి getpass

మీరు . సుమారు [ 'OPENAI_API_KEY' ] = getpass . getpass ( 'OpenAI API కీ:' )

మీరు . సుమారు [ 'SERPAPI_API_KEY' ] = getpass . getpass ( 'Serpapi API కీ:' )

దశ 2: భాషా నమూనాను లోడ్ చేస్తోంది

LangChain ఫ్రేమ్‌వర్క్‌ని ఉపయోగించి అవసరమైన లైబ్రరీలను దిగుమతి చేయడం ద్వారా భాషా నమూనాలను లోడ్ చేయడం తదుపరి దశ:

నుండి లాంగ్చైన్. ఏజెంట్లు దిగుమతి లోడ్_టూల్స్

నుండి లాంగ్చైన్. ఏజెంట్లు దిగుమతి ప్రారంభించు_ఏజెంట్

నుండి లాంగ్చైన్. ఏజెంట్లు దిగుమతి ఏజెంట్ రకం

నుండి లాంగ్చైన్. llms దిగుమతి OpenAI

లాంగ్వేజ్ మోడల్ (llm)ని రూపొందించడానికి OpenAI() పద్ధతిని ఉపయోగించండి మరియు SerpAPIని ఉపయోగించి ఏజెంట్ల కోసం సాధనాలను కాన్ఫిగర్ చేయండి:

llm = OpenAI ( ఉష్ణోగ్రత = 0 )

ఉపకరణాలు = లోడ్_టూల్స్ ( [ 'సర్పాపి' , 'llm-గణితం' ] , llm = llm )

విధానం 1: ల్యాండ్‌చైన్ ఎక్స్‌ప్రెషన్ లాంగ్వేజ్ ఉపయోగించడం

LCEL అనేది లాంగ్‌చెయిన్‌లో భాషా నమూనాలను నిర్మించేటప్పుడు గొలుసులను ఏకీకృతం చేయడం లేదా కంపోజ్ చేసే ప్రక్రియ. LangChainలో ఏజెంట్లతో ReAct లాజిక్‌ను నిర్మించడం మరియు ఉపయోగించడం కోసం దాని డిపెండెన్సీలను పొందడానికి LangChainHubని ఇన్‌స్టాల్ చేయడం ద్వారా ప్రక్రియను ప్రారంభించండి:

పిప్ ఇన్‌స్టాల్ లాంగ్‌చైన్‌హబ్

ReAct మోడల్‌ని ఉపయోగించగల మోడల్‌ను రూపొందించడానికి ReActSingleInputOutputParser వంటి LangChain నుండి లైబ్రరీలను దిగుమతి చేయడం:

నుండి లాంగ్చైన్. ఉపకరణాలు . రెండర్ దిగుమతి render_text_description

నుండి లాంగ్చైన్. ఏజెంట్లు . అవుట్‌పుట్_పార్సర్‌లు దిగుమతి ReActSingleInputOutputParser

నుండి లాంగ్చైన్. ఏజెంట్లు . ఫార్మాట్_స్క్రాచ్‌ప్యాడ్ దిగుమతి format_log_to_str

నుండి లాంగ్చైన్ దిగుమతి హబ్

పుల్() పద్ధతిని ఉపయోగించి రియాక్ట్ లాజిక్‌ను రూపొందించడానికి భాషా నమూనాను లోడ్ చేయండి మరియు దానిని ప్రాంప్ట్ వేరియబుల్‌లో నిల్వ చేయండి. ఏజెంట్‌తో దాని పనిని అమలు చేయడానికి లోడ్ చేయబడిన డేటాసెట్‌లో లాజిక్‌ను అమలు చేయడానికి ఉపయోగించే కొన్ని సాధనాలను నిర్వచించండి:

ప్రాంప్ట్ = హబ్. లాగండి ( 'hwchase17/రియాక్ట్' )

ప్రాంప్ట్ = ప్రాంప్ట్. పాక్షికం (

ఉపకరణాలు = render_text_description ( ఉపకరణాలు ) ,

సాధనం_పేర్లు = ',' . చేరండి ( [ t. పేరు కోసం t లో ఉపకరణాలు ] ) ,

)

బిల్డింగ్ ఏజెంట్

ఇప్పుడు, ఈ గైడ్ యొక్క దశ 2లో లోడ్ చేయబడిన భాషా నమూనాతో ఏకీకృతం చేయడం ద్వారా ఏజెంట్ మరియు దాని సాధనాలను కాన్ఫిగర్ చేయండి:

llm_with_stop = llm కట్టు ( ఆపండి = [ ' \n పరిశీలన' ] )

దాని పనిని వివరించే ఏజెంట్‌ను కాన్ఫిగర్ చేయడానికి వాదనలు మరియు సాధనాలను అందించడానికి ఏజెంట్ వేరియబుల్‌ను నిర్వచించండి. llm_with_stop మరియు ReActSingleInputOutputParser() పద్ధతి వంటి గతంలో కాన్ఫిగర్ చేయబడిన భాగాలు ఏజెంట్‌తో ఏకీకృతం చేయబడుతున్నాయి:

ఏజెంట్ = {

'ఇన్‌పుట్' : లాంబ్డా x: x [ 'ఇన్‌పుట్' ] ,

'agent_scratchpad' : లాంబ్డా x: format_log_to_str ( x [ 'ఇంటర్మీడియట్_స్టెప్స్' ] )

} | ప్రాంప్ట్ | llm_విత్_స్టాప్ | ReActSingleInputOutputParser ( )

AgentExecutor లైబ్రరీని పొందండి మరియు మరింత చదవగలిగే అవుట్‌పుట్ పొందడానికి ఏజెంట్, సాధనాలు మరియు వెర్బోస్ వంటి ఆర్గ్యుమెంట్‌లను ఉపయోగించి దాని పద్ధతిని కాన్ఫిగర్ చేయండి:

నుండి లాంగ్చైన్. ఏజెంట్లు దిగుమతి ఏజెంట్ ఎగ్జిక్యూటర్

ఏజెంట్_ఎగ్జిక్యూటర్ = ఏజెంట్ ఎగ్జిక్యూటర్ ( ఏజెంట్ = ఏజెంట్ , ఉపకరణాలు = ఉపకరణాలు , మాటలతో కూడిన = నిజమే )

అవుట్‌పుట్‌ను సంగ్రహించడానికి ఏజెంట్‌ను ప్రేరేపించే ఇన్‌పుట్‌గా స్ట్రింగ్ ప్రశ్నతో agent_executor() పద్ధతిని ప్రారంభించండి:

ఏజెంట్_ఎగ్జిక్యూటర్. సహాయం కోరు ( { 'ఇన్‌పుట్' : 'లియో డికాప్రియో స్నేహితురాలు ఎవరు' } )

అవుట్‌పుట్

ఏజెంట్ రియాక్ట్ లాజిక్‌ని ఉపయోగించి సమాచారాన్ని సంగ్రహించినట్లు మరియు సహజ భాషలో వచనాన్ని రూపొందించినట్లు క్రింది స్క్రీన్‌షాట్ ప్రదర్శిస్తుంది:

విధానం 2: ZeroShotReactAgent ఉపయోగించడం

agent_executor వేరియబుల్‌ను కాన్ఫిగర్ చేస్తున్నప్పుడు ZeroShotReactAgent వంటి మరొక ఏజెంట్‌ని ఉపయోగించడం ద్వారా కూడా ReAct లాజిక్‌ని అమలు చేయవచ్చు. ఆ తర్వాత, ఏజెంట్‌ని ఇన్‌పుట్ చేయడానికి ప్రశ్నతో ఏజెంట్_ఎగ్జిక్యూటర్ వేరియబుల్‌ని కాల్ చేయండి:

ఏజెంట్_ఎగ్జిక్యూటర్ = ప్రారంభించు_ఏజెంట్ ( ఉపకరణాలు , llm , ఏజెంట్ = ఏజెంట్ రకం. ZERO_SHOT_REACT_DESCRIPTION , మాటలతో కూడిన = నిజమే )

ఏజెంట్_ఎగ్జిక్యూటర్. సహాయం కోరు ( { 'ఇన్‌పుట్' : 'లియో డికాప్రియో గర్ల్‌ఫ్రెండ్ వయస్సు 0.21కి పెరిగింది' } )

అవుట్‌పుట్

agent_executorని ఇన్వోక్ చేస్తున్నప్పుడు అడిగిన ఇన్‌పుట్ ఆధారంగా ఏజెంట్ సమాచారాన్ని సంగ్రహించారు:

విధానం 3: చాట్ మోడల్‌లను ఉపయోగించడం

ChatOpenAI లైబ్రరీని దిగుమతి చేసిన తర్వాత చాట్ మోడల్‌లను ఉపయోగించడం ద్వారా ReAct లాజిక్‌ను అమలు చేయడానికి ఉపయోగించే మరొక ప్రక్రియ:

నుండి లాంగ్చైన్. చాట్_మోడల్స్ దిగుమతి ChatOpenAI

మోడల్ ఫలితాల్లో యాదృచ్ఛికతను నియంత్రించగల 0కి సమానమైన ఉష్ణోగ్రత విలువతో ChatOpenAI() పద్ధతిని ఉపయోగించి చాట్ మోడల్‌ను రూపొందించండి:

చాట్_మోడల్ = ChatOpenAI ( ఉష్ణోగ్రత = 0 )

ప్రాంప్ట్ వేరియబుల్‌లో నిల్వ చేయడానికి మరియు ప్రాసెస్‌లో ఉపయోగించాల్సిన సాధనాలను కాన్ఫిగర్ చేయడానికి వినియోగదారు రియాక్ట్ లాజిక్‌ను అమలు చేయగల మోడల్‌ను లోడ్ చేయండి:

ప్రాంప్ట్ = హబ్. లాగండి ( 'hwchase17/react-json' )

ప్రాంప్ట్ = ప్రాంప్ట్. పాక్షికం (

ఉపకరణాలు = render_text_description ( ఉపకరణాలు ) ,

సాధనం_పేర్లు = ',' . చేరండి ( [ t. పేరు కోసం t లో ఉపకరణాలు ] ) ,

)

ఏజెంట్‌ను నిర్మించడం

మోడల్ టెక్స్ట్‌ని ఉత్పత్తి చేయడం ఆపివేసినప్పుడు పరిశీలనలు లేదా ఇటీవలి సందేశాలను నిల్వ చేయడానికి చాట్ మోడల్‌ని ఉపయోగించండి:

చాట్_మోడల్_విత్_స్టాప్ = చాట్_మోడల్. కట్టు ( ఆపండి = [ ' \n పరిశీలన' ] )

ReAct లాజిక్‌ను అమలు చేయడానికి మరియు JSON ఫార్మాట్‌లో ఫలితాలను అందించడానికి ReActJsonSingleInputOutputParser లైబ్రరీని పొందండి:

నుండి లాంగ్చైన్. ఏజెంట్లు . అవుట్‌పుట్_పార్సర్‌లు దిగుమతి ReActJsonSingleInputOutputParser

ఏజెంట్‌కు కాల్ చేయడం ద్వారా ఫలితాలను ఉత్పత్తి చేయడానికి chat_model వేరియబుల్ మరియు పద్ధతిని ఉపయోగించి ఏజెంట్‌ను రూపొందించండి మరియు కాన్ఫిగర్ చేయండి:

ఏజెంట్ = {

'ఇన్‌పుట్' : లాంబ్డా x: x [ 'ఇన్‌పుట్' ] ,

'agent_scratchpad' : లాంబ్డా x: format_log_to_str ( x [ 'ఇంటర్మీడియట్_స్టెప్స్' ] )

} | ప్రాంప్ట్ | చాట్_మోడల్_విత్_స్టాప్ | ReActJsonSingleInputOutputParser ( )

agent_executorని కాన్ఫిగర్ చేసి, ఇన్‌పుట్ వేరియబుల్‌లో అందించిన ప్రశ్న ఆధారంగా ఫలితాలను పొందడానికి దాన్ని అమలు చేయండి:

ఏజెంట్_ఎగ్జిక్యూటర్ = ఏజెంట్ ఎగ్జిక్యూటర్ ( ఏజెంట్ = ఏజెంట్ , ఉపకరణాలు = ఉపకరణాలు , మాటలతో కూడిన = నిజమే )

ఏజెంట్_ఎగ్జిక్యూటర్. సహాయం కోరు ( { 'ఇన్‌పుట్' : 'లియో డికాప్రియో గర్ల్‌ఫ్రెండ్ వయస్సు 0.21కి పెరిగింది' } )

అవుట్‌పుట్

కింది స్క్రీన్‌షాట్‌లో ప్రదర్శించిన విధంగా ఏజెంట్ అవుట్‌పుట్‌ను సంగ్రహించారు:

విధానం 4: ChatZeroShotReactAgentని ఉపయోగించడం

లాంగ్‌చెయిన్ ఫ్రేమ్‌వర్క్‌తో రియాక్ట్ లాజిక్‌ను అమలు చేయడానికి ఏజెంట్ విలువను మార్చడం కూడా ఉపయోగించబడుతుంది:

ఏజెంట్ = ప్రారంభించు_ఏజెంట్ ( ఉపకరణాలు , చాట్_మోడల్ , ఏజెంట్ = ఏజెంట్ రకం. CHAT_ZERO_SHOT_REACT_DESCRIPTION , మాటలతో కూడిన = నిజమే )

ఏజెంట్. పరుగు ( 'లియో డికాప్రియో గర్ల్‌ఫ్రెండ్ వయస్సు 0.21కి పెరిగింది' )

అవుట్‌పుట్

అవుట్‌పుట్ నిర్మాణం టోకెన్‌లు మరియు సమాచారాన్ని సేకరించేందుకు ఉపయోగించే మోడల్ నుండి ఏజెంట్ యొక్క పని గురించి వివరణాత్మక సమాచారాన్ని కలిగి ఉంటుంది:

లాంగ్‌చెయిన్‌లోని ఏజెంట్‌ని ఉపయోగించి రియాక్ట్ లాజిక్‌ను అమలు చేసే ప్రక్రియ గురించి అంతే.

ముగింపు

LangChain ఫ్రేమ్‌వర్క్‌ని ఉపయోగించి ఏజెంట్‌తో ReAct లాజిక్‌ను అమలు చేయడానికి, ఏజెంట్‌ను కాన్ఫిగర్ చేయడానికి google-search-results వంటి మాడ్యూల్‌లను ఇన్‌స్టాల్ చేయండి. ఆ తర్వాత, మోడల్‌ని ఉపయోగించడం ప్రారంభించడానికి వారి ఖాతాల నుండి OpenAI మరియు SerpAPI ఆధారాలను ఉపయోగించి పర్యావరణాన్ని సెటప్ చేయండి. LangChain మాడ్యూల్ అందించే బహుళ ఏజెంట్లతో LCEL మరియు చాట్ మోడల్‌లను ఉపయోగించి ReAct లాజిక్ అమలు చేయబడుతుంది. ఈ గైడ్ లాంగ్‌చెయిన్‌లోని ఏజెంట్‌ను ఉపయోగించి రియాక్ట్ లాజిక్‌ను అమలు చేయడం గురించి వివరించింది.

లాంగ్‌చెయిన్‌లో ఏజెంట్‌ని ఉపయోగించి రియాక్ట్ లాజిక్‌ను ఎలా అమలు చేయాలి?

త్వరిత రూపురేఖలు