ఈ గైడ్ LangChainలో LLMCchains అమలు చేసే ప్రక్రియను వివరిస్తుంది.
LangChainలో LLMCchainsని ఎలా అమలు చేయాలి?
LangChain LLMలు/చాట్‌బాట్‌లు మరియు ప్రాంప్ట్ టెంప్లేట్‌లను ఉపయోగించి LLMCchains నిర్మించడానికి ఫీచర్లు లేదా డిపెండెన్సీలను అందిస్తుంది. LangChainలో LLMCchainsను నిర్మించడం మరియు అమలు చేయడం గురించి తెలుసుకోవడానికి, కింది దశలవారీ మార్గదర్శిని అనుసరించండి:
దశ 1: ప్యాకేజీలను ఇన్స్టాల్ చేయండి
ముందుగా, LangChain మాడ్యూల్‌ని ఇన్స్టాల్ చేయడం ద్వారా ప్రాసెస్‌ను ప్రారంభించడం ద్వారా LLMCchains నిర్మించడం మరియు అమలు చేయడం కోసం దాని డిపెండెన్సీలను పొందండి:
పిప్ ఇన్స్టాల్ లాంగ్‌చెయిన్
LLMలను నిర్మించడం కోసం OpenAI() ఫంక్షన్‌ని ఉపయోగించడానికి లైబ్రరీలను పొందడానికి పిప్ కమాండ్‌ని ఉపయోగించి OpenAI ఫ్రేమ్‌వర్క్‌ను ఇన్స్టాల్ చేయండి:
pip ఇన్స్టాల్ openai
మాడ్యూల్స్ యొక్క సంస్థాపన తర్వాత, కేవలం పర్యావరణాన్ని ఏర్పాటు చేయండి OpenAI ఖాతా నుండి API కీని ఉపయోగించి వేరియబుల్స్:
దిగుమతి మీరు
దిగుమతి getpass
మీరు . సుమారు [ 'OPENAI_API_KEY' ] = getpass . getpass ( 'OpenAI API కీ:' )
దశ 2: లైబ్రరీలను దిగుమతి చేయండి
సెటప్ పూర్తయిన తర్వాత మరియు అవసరమైన అన్ని ప్యాకేజీలు ఇన్స్టాల్ చేయబడిన తర్వాత, ప్రాంప్ట్ టెంప్లేట్‌ను రూపొందించడానికి అవసరమైన లైబ్రరీలను దిగుమతి చేయండి. ఆ తర్వాత, OpenAI() పద్ధతిని ఉపయోగించి LLMని రూపొందించండి మరియు LLMలు మరియు ప్రాంప్ట్ టెంప్లేట్‌ని ఉపయోగించి LLMCchainని కాన్ఫిగర్ చేయండి:
నుండి లాంగ్చైన్ దిగుమతి ప్రాంప్ట్ టెంప్లేట్నుండి లాంగ్చైన్ దిగుమతి OpenAI
నుండి లాంగ్చైన్ దిగుమతి LLMCచైన్
ప్రాంప్ట్_టెంప్లేట్ = '{product} చేసే వ్యాపారం కోసం నాకు మంచి శీర్షిక ఇవ్వాలా?'
llm = OpenAI ( ఉష్ణోగ్రత = 0 )
llm_గొలుసు = LLMCచైన్ (
llm = llm ,
ప్రాంప్ట్ = ప్రాంప్ట్ టెంప్లేట్. నుండి_టెంప్లేట్ ( ప్రాంప్ట్_టెంప్లేట్ )
)
llm_గొలుసు ( 'రంగు రంగుల బట్టలు' )
దశ 3: రన్నింగ్ చైన్స్
వ్యాపారం ద్వారా ఉత్పత్తి చేయబడిన వివిధ ఉత్పత్తులను కలిగి ఉన్న ఇన్‌పుట్ జాబితాను పొందండి మరియు స్క్రీన్‌పై జాబితాను ప్రదర్శించడానికి గొలుసును అమలు చేయండి:
ఇన్‌పుట్_జాబితా = [{ 'ఉత్పత్తి' : 'సాక్స్' } ,
{ 'ఉత్పత్తి' : 'కంప్యూటర్' } ,
{ 'ఉత్పత్తి' : 'బూట్లు' }
]
llm_గొలుసు. దరఖాస్తు ( ఇన్‌పుట్_జాబితా )
ఉపయోగించి జనరేట్ () పద్ధతిని అమలు చేయండి ఇన్‌పుట్_జాబితా మోడల్ ద్వారా రూపొందించబడిన సంభాషణకు సంబంధించిన అవుట్‌పుట్‌ను పొందడానికి LLMCchainsతో:
llm_గొలుసు. ఉత్పత్తి ( ఇన్‌పుట్_జాబితా ) 
దశ 4: సింగిల్ ఇన్‌పుట్ ఉపయోగించడం
ఒకే ఇన్‌పుట్‌ని ఉపయోగించడం ద్వారా LLMCchainsను అమలు చేయడానికి మరొక ఉత్పత్తిని జోడించి, ఆపై అవుట్‌పుట్‌ను రూపొందించడానికి LLMCchainని అంచనా వేయండి:
llm_గొలుసు. అంచనా వేయండి ( ఉత్పత్తి = 'రంగు రంగుల సాక్స్' )దశ 5: బహుళ ఇన్‌పుట్‌లను ఉపయోగించడం
ఇప్పుడు, గొలుసును అమలు చేయడానికి ముందు మోడల్‌కు ఆదేశాన్ని అందించడం కోసం బహుళ ఇన్‌పుట్‌లను ఉపయోగించడం కోసం టెంప్లేట్‌ను రూపొందించండి:
టెంప్లేట్ = '''నాకు {విషయం} గురించి {విశేషణం} జోక్ చెప్పు.'''ప్రాంప్ట్ = ప్రాంప్ట్ టెంప్లేట్ ( టెంప్లేట్ = టెంప్లేట్ , ఇన్‌పుట్_వేరియబుల్స్ = [ 'విశేషణం' , 'విషయం' ] )
llm_గొలుసు = LLMCచైన్ ( ప్రాంప్ట్ = ప్రాంప్ట్ , llm = OpenAI ( ఉష్ణోగ్రత = 0 ) )
llm_గొలుసు. అంచనా వేయండి ( విశేషణం = 'విచారంగా' , విషయం = 'బాతులు' )
దశ 6: అవుట్‌పుట్ పార్సర్‌ని ఉపయోగించడం
ఈ దశ ప్రాంప్ట్ ఆధారంగా అవుట్‌పుట్‌ను పొందడానికి LLMCchainను అమలు చేయడానికి అవుట్‌పుట్ పార్సర్ పద్ధతిని ఉపయోగిస్తుంది:
నుండి లాంగ్చైన్. అవుట్‌పుట్_పార్సర్‌లు దిగుమతి కామా వేరు చేయబడిన జాబితాఅవుట్‌పుట్ పార్సర్అవుట్పుట్_పార్సర్ = కామా వేరు చేయబడిన జాబితాఅవుట్‌పుట్ పార్సర్ ( )
టెంప్లేట్ = '''ఒక ఇంద్రధనస్సులోని అన్ని రంగులను జాబితా చేయండి'''
ప్రాంప్ట్ = ప్రాంప్ట్ టెంప్లేట్ ( టెంప్లేట్ = టెంప్లేట్ , ఇన్‌పుట్_వేరియబుల్స్ = [ ] , అవుట్‌పుట్_పార్సర్ = అవుట్‌పుట్_పార్సర్ )
llm_గొలుసు = LLMCచైన్ ( ప్రాంప్ట్ = ప్రాంప్ట్ , llm = llm )
llm_గొలుసు. అంచనా వేయండి ( )
అవుట్‌పుట్ పొందడానికి పార్స్() పద్ధతిని ఉపయోగించడం వలన ఇంద్రధనస్సులోని అన్ని రంగుల కామాతో వేరు చేయబడిన జాబితా రూపొందించబడుతుంది:
llm_గొలుసు. అంచనా_మరియు_పరిశీలించు ( ) 
దశ 7: స్ట్రింగ్స్ నుండి ప్రారంభించడం
ఈ దశ LLM మోడల్ మరియు టెంప్లేట్‌ని ఉపయోగించి LLMCchainని అమలు చేయడానికి ప్రాంప్ట్‌గా స్ట్రింగ్‌ను ఉపయోగించే విధానాన్ని వివరిస్తుంది:
టెంప్లేట్ = '''నాకు {subject} గురించి {విశేషణం} జోక్ చెప్పండి'''llm_గొలుసు = LLMCచైన్. స్ట్రింగ్ నుండి ( llm = llm , టెంప్లేట్ = టెంప్లేట్ )
LLMCchainని అమలు చేయడం ద్వారా మోడల్ నుండి అవుట్‌పుట్ పొందడానికి స్ట్రింగ్ ప్రాంప్ట్‌లో వేరియబుల్స్ విలువలను అందించండి:
llm_గొలుసు. అంచనా వేయండి ( విశేషణం = 'విచారంగా' , విషయం = 'బాతులు' )LangChain ఫ్రేమ్‌వర్క్‌ని ఉపయోగించి LLMCchainsని రన్ చేయడం గురించి అంతే.
ముగింపు
LangChainలో LLMCchainsను రూపొందించడానికి మరియు అమలు చేయడానికి, ప్యాకేజీల వంటి ముందస్తు అవసరాలను ఇన్స్టాల్ చేయండి మరియు OpenAI యొక్క API కీని ఉపయోగించి పర్యావరణాన్ని సెటప్ చేయండి. ఆ తర్వాత, LangChain డిపెండెన్సీలను ఉపయోగించి LLMChainని అమలు చేయడానికి ప్రాంప్ట్ టెంప్లేట్ మరియు మోడల్‌ను కాన్ఫిగర్ చేయడానికి అవసరమైన లైబ్రరీలను దిగుమతి చేయండి. గైడ్‌లో ప్రదర్శించిన విధంగా LLMCchainsని అమలు చేయడానికి వినియోగదారు అవుట్‌పుట్ పార్సర్‌లు మరియు స్ట్రింగ్ ఆదేశాలను ఉపయోగించవచ్చు. ఈ గైడ్ LangChainలో LLMCchainsని అమలు చేసే పూర్తి ప్రక్రియను వివరించింది.