LangChain అనేది పెద్ద భాషా నమూనాలను రూపొందించడానికి ఉపయోగించే బహుళ డిపెండెన్సీలు మరియు లైబ్రరీలను కలిగి ఉన్న ఫ్రేమ్‌వర్క్. ఈ నమూనాలు మానవులతో పరస్పర చర్య చేయడానికి ఉపయోగించబడతాయి, అయితే ముందుగా, మోడల్ మానవుడు అడిగిన ప్రాంప్ట్/ప్రశ్నను ఎలా పొందాలో/అర్థం చేసుకోవాలో నేర్చుకోవాలి. దాని కోసం, మోడల్‌కు ప్రాంప్ట్ టెంప్లేట్‌లపై శిక్షణ ఇవ్వాలి, ఆపై వినియోగదారు ఇచ్చిన టెంప్లేట్‌లో ప్రశ్న అడుగుతారు.
ఈ గైడ్ LangChainలో ప్రాంప్ట్ టెంప్లేట్‌లను రూపొందించే ప్రక్రియను వివరిస్తుంది.
LangChainలో ప్రాంప్ట్ టెంప్లేట్‌లను ఎలా రూపొందించాలి?
LangChainలో ప్రాంప్ట్ టెంప్లేట్‌లను రూపొందించడానికి, బహుళ దశలతో కింది గైడ్ ద్వారా వెళ్ళండి:
దశ 1: మాడ్యూల్స్ మరియు సెటప్ ఎన్విరాన్‌మెంట్‌ను ఇన్స్టాల్ చేయండి
LangChain ఫ్రేమ్‌వర్క్‌ను ఇన్స్టాల్ చేయడం ద్వారా LangChainలో ప్రాంప్ట్ టెంప్లేట్‌లను రూపొందించే ప్రక్రియను ప్రారంభించండి:
పిప్ ఇన్స్టాల్ లాంగ్‌చెయిన్
ఇప్పుడు, దాని లైబ్రరీలను యాక్సెస్ చేయడానికి OpenAI మాడ్యూల్‌లను ఇన్స్టాల్ చేయండి మరియు దానిని ఉపయోగించి వాతావరణాన్ని సెట్ చేయండి:
pip ఇన్స్టాల్ openai 
ఏర్పాటు OpenAI పర్యావరణం ఆపరేటింగ్ సిస్టమ్‌ను యాక్సెస్ చేయడానికి మరియు OpenAI API కీని అందించడానికి os లైబ్రరీని ఉపయోగించడం:
మమ్మల్ని దిగుమతి చేసుకోండిగెట్పాస్ని దిగుమతి చేయండి
os.environ['OPENAI_API_KEY'] = getpass.getpass('OpenAI API కీ:')
దశ 2: ప్రాంప్ట్ టెంప్లేట్ ఉపయోగించడం
LangChainని ఇన్స్టాల్ చేసిన తర్వాత, PromptTemplate లైబ్రరీని దిగుమతి చేయండి మరియు విశేషణం, కంటెంట్ మొదలైన వేరియబుల్స్‌గా కొన్ని అదనపు అంశాలతో జోక్ గురించి ప్రశ్న కోసం టెంప్లేట్‌ను రూపొందించండి:
లాంగ్‌చెయిన్ దిగుమతి ప్రాంప్ట్ టెంప్లేట్ నుండిprompt_template = PromptTemplate.from_template(
'నాకు {theme} గురించి {style} జోక్ చెప్పండి'
)
prompt_template.format(style='funny', theme='కోళ్లు')
ప్రాంప్ట్ సెట్ చేయబడింది మరియు కమాండ్‌లో చొప్పించిన వేరియబుల్ విలువలతో మోడల్‌కు ఇవ్వబడింది:
వినియోగదారు ఒక జోక్ కోసం అడిగే సాధారణ ప్రశ్నతో ప్రాంప్ట్ టెంప్లేట్‌ను అనుకూలీకరించవచ్చు:
లాంగ్‌చెయిన్ దిగుమతి ప్రాంప్ట్ టెంప్లేట్ నుండిprompt_template = PromptTemplate.from_template(
'నాకు ఒక జోక్ చెప్పండి'
)
prompt_template.format()
పై పద్ధతి ఒకే ప్రశ్న మరియు సమాధానం కోసం ఉద్దేశించబడింది కానీ కొన్నిసార్లు వినియోగదారు చాట్ రూపంలో మోడల్‌తో పరస్పర చర్య చేయాలనుకుంటున్నారు మరియు తదుపరి విభాగం దాని ఆకృతిని వివరిస్తుంది.
దశ 3: చాట్ ప్రాంప్ట్ టెంప్లేట్‌ని ఉపయోగించడం
ఈ విభాగం చాట్ మోడల్‌కు సంబంధించిన టెంప్లేట్‌ను వివరిస్తుంది, ఇది ఇద్దరు మనుషులు పరస్పరం పరస్పరం పరస్పరం పరస్పరం మాట్లాడుకోవడం వంటి సంభాషణ నమూనాపై ఆధారపడి ఉంటుంది:
langchain.prompts నుండి ChatPromptTemplateని దిగుమతి చేయండిటెంప్లేట్ = ChatPromptTemplate.from_messages([
('సిస్టమ్', 'ఏఐ చాట్ బాట్ వినియోగదారుకు సహాయం చేస్తుంది. మిమ్మల్ని {name} అని పిలుస్తారు.'),
('మానవ', 'హలో, మీరు ఎలా చేస్తారు'),
('ai', 'మీరు ఎలా చేస్తారు'),
('మానవ', '{user_input}'),
])
సందేశాలు = template.format_messages(
పేరు='జాన్',
user_input='నేను నిన్ను ఏమని పిలవాలి'
)
టెంప్లేట్ నిర్మాణాన్ని సెట్ చేసిన తర్వాత, మోడల్ నుండి ఏమి ఆశించబడుతుందో చెప్పడానికి టెక్స్ట్‌లో కొన్ని పంక్తులను వ్రాయండి మరియు ప్రాంప్ట్ ఇవ్వడానికి llm() ఫంక్షన్‌ను ఉపయోగించండి:
langchain.prompts నుండి ChatPromptTemplateని దిగుమతి చేయండిlangchain.prompts.chat నుండి SystemMessage, HumanMessagePromptTemplate దిగుమతి
టెంప్లేట్ = ChatPromptTemplate.from_messages(
[
సిస్టమ్ సందేశం(
కంటెంట్=(
'వినియోగదారు వచనాన్ని మరింత ప్రభావవంతంగా తిరిగి వ్రాయడానికి వినియోగదారుకు సహాయం చేయడానికి మరియు సహాయం చేయడానికి మీరు ఇక్కడ ఉన్నారు'
)
),
HumanMessagePromptTemplate.from_template('{text}'),
]
)
langchain.chat_models నుండి ChatOpenAIని దిగుమతి చేయండి
llm = ChatOpenAI()
llm(template.format_messages(టెక్స్ట్='నేను రుచికరమైనవి తినడం ఇష్టం లేదు'))
SystemMessage() పద్ధతి LLMలో ఉపయోగించిన ప్రశ్నకు ప్రత్యుత్తరం యొక్క కంటెంట్‌ను కలిగి ఉంది:
లాంగ్‌చైన్‌లో ప్రాంప్ట్ టెంప్లేట్‌లను రూపొందించడం గురించి అంతే.
ముగింపు
LangChainలో ప్రాంప్ట్ టెంప్లేట్‌ను రూపొందించడానికి, OpenAI API కీని ఉపయోగించి పర్యావరణాన్ని సెటప్ చేయడానికి LangChain మరియు OpenAI మాడ్యూల్‌లను ఇన్స్టాల్ చేయండి. ఆ తర్వాత, ఏదైనా ఒక జోక్ లేదా ఒకే ప్రశ్న అడగడం వంటి ఒకే ప్రాంప్ట్ కోసం ప్రాంప్ట్ టెంప్లేట్‌ను సృష్టించండి. ఇద్దరు వేర్వేరు మానవుల మధ్య పరస్పర చర్య ప్రక్రియ ఆధారంగా చాట్ మోడల్ కోసం టెంప్లేట్‌ను అనుకూలీకరించడం మరొక పద్ధతి. ఈ పోస్ట్ LangChainలో ప్రాంప్ట్ టెంప్లేట్‌ను రూపొందించే ప్రక్రియను వివరించింది.