LangChainలో సంభాషణ బఫర్ విండోను ఎలా ఉపయోగించాలి?
సంభాషణ బఫర్ విండో అత్యంత ఇటీవలి సందర్భాన్ని పొందడానికి సంభాషణ యొక్క ఇటీవలి సందేశాలను మెమరీలో ఉంచడానికి ఉపయోగించబడుతుంది. ఇది LangChain ఫ్రేమ్వర్క్ని ఉపయోగించి మెమరీలో సందేశాలు లేదా స్ట్రింగ్లను నిల్వ చేయడానికి K విలువను ఉపయోగిస్తుంది.
LangChainలో సంభాషణ బఫర్ విండోను ఉపయోగించే ప్రక్రియను తెలుసుకోవడానికి, కింది గైడ్ ద్వారా వెళ్ళండి:
దశ 1: మాడ్యూల్లను ఇన్స్టాల్ చేయండి
సంభాషణ నమూనాలను రూపొందించడానికి అవసరమైన డిపెండెన్సీలతో LangChain మాడ్యూల్ను ఇన్స్టాల్ చేయడం ద్వారా సంభాషణ బఫర్ విండోను ఉపయోగించే ప్రక్రియను ప్రారంభించండి:
పిప్ ఇన్స్టాల్ లాంగ్చెయిన్
ఆ తర్వాత, లాంగ్చెయిన్లో లార్జ్ లాంగ్వేజ్ మోడల్లను రూపొందించడానికి ఉపయోగించే OpenAI మాడ్యూల్ను ఇన్స్టాల్ చేయండి:
pip ఇన్స్టాల్ openai
ఇప్పుడు, OpenAI వాతావరణాన్ని సెటప్ చేయండి OpenAI ఖాతా నుండి API కీని ఉపయోగించి LLM గొలుసులను నిర్మించడానికి:
దిగుమతి మీరు
దిగుమతి getpass
మీరు . సుమారు [ 'OPENAI_API_KEY' ] = getpass . getpass ( 'OpenAI API కీ:' )
దశ 2: సంభాషణ బఫర్ విండో మెమరీని ఉపయోగించడం
LangChainలో సంభాషణ బఫర్ విండో మెమరీని ఉపయోగించడానికి, దిగుమతి చేయండి సంభాషణబఫర్ విండో మెమరీ గ్రంధాలయం:
నుండి లాంగ్చైన్. జ్ఞాపకశక్తి దిగుమతి సంభాషణబఫర్ విండో మెమరీఉపయోగించి మెమరీని కాన్ఫిగర్ చేయండి సంభాషణబఫర్ విండో మెమరీ () దాని వాదనగా k విలువతో పద్ధతి. k విలువ సంభాషణ నుండి ఇటీవలి సందేశాలను ఉంచడానికి ఉపయోగించబడుతుంది మరియు ఇన్పుట్ మరియు అవుట్పుట్ వేరియబుల్లను ఉపయోగించి శిక్షణ డేటాను కాన్ఫిగర్ చేస్తుంది:
జ్ఞాపకశక్తి = సంభాషణబఫర్ విండో మెమరీ ( కె = 1 )జ్ఞాపకశక్తి. సేవ్_సందర్భం ( { 'ఇన్పుట్' : 'హలో' } , { 'అవుట్పుట్' : 'నువ్వు ఎలా ఉన్నావు' } )
జ్ఞాపకశక్తి. సేవ్_సందర్భం ( { 'ఇన్పుట్' : 'నేను బాగున్నాను నీ సంగతేంటి' } , { 'అవుట్పుట్' : 'చాలా కాదు' } )
కాల్ చేయడం ద్వారా మెమరీని పరీక్షించండి load_memory_variables () సంభాషణను ప్రారంభించే విధానం:
జ్ఞాపకశక్తి. load_memory_variables ( { } )
సంభాషణ చరిత్రను పొందడానికి, ConversationBufferWindowMemory() ఫంక్షన్ని ఉపయోగించి కాన్ఫిగర్ చేయండి రిటర్న్_మెసేజెస్ వాదన:
జ్ఞాపకశక్తి = సంభాషణబఫర్ విండో మెమరీ ( కె = 1 , రిటర్న్_మెసేజెస్ = నిజమే )జ్ఞాపకశక్తి. సేవ్_సందర్భం ( { 'ఇన్పుట్' : 'హాయ్' } , { 'అవుట్పుట్' : 'ఏమిటి సంగతులు' } )
జ్ఞాపకశక్తి. సేవ్_సందర్భం ( { 'ఇన్పుట్' : 'చాలా కాదు నువ్వు' } , { 'అవుట్పుట్' : 'చాలా కాదు' } )
ఇప్పుడు, ఉపయోగించి మెమరీకి కాల్ చేయండి load_memory_variables () సంభాషణ చరిత్రతో ప్రతిస్పందనను పొందే పద్ధతి:
జ్ఞాపకశక్తి. load_memory_variables ( { } )
దశ 3: చైన్లో బఫర్ విండోను ఉపయోగించడం
ఉపయోగించి గొలుసును నిర్మించండి OpenAI మరియు సంభాషణ చైన్ లైబ్రరీలు ఆపై సంభాషణలో ఇటీవలి సందేశాలను నిల్వ చేయడానికి బఫర్ మెమరీని కాన్ఫిగర్ చేయండి:
నుండి లాంగ్చైన్. గొలుసులు దిగుమతి సంభాషణ చైన్నుండి లాంగ్చైన్. llms దిగుమతి OpenAI
బహుళ పారామితులను ఉపయోగించి సంభాషణ యొక్క #నిర్మాణ సారాంశం
సారాంశంతో_సంభాషణ = సంభాషణ చైన్ (
llm = OpenAI ( ఉష్ణోగ్రత = 0 ) ,
ఇటీవలి సందేశాలను నిల్వ చేయడానికి k విలువతో దాని ఫంక్షన్ని ఉపయోగించి మెమరీ బఫర్ని నిర్మించడం
జ్ఞాపకశక్తి = సంభాషణబఫర్ విండో మెమరీ ( కె = 2 ) ,
#మరింత చదవగలిగే అవుట్పుట్ పొందడానికి వెర్బోస్ వేరియబుల్ను కాన్ఫిగర్ చేయండి
మాటలతో కూడిన = నిజమే
)
సారాంశంతో_సంభాషణ. అంచనా వేయండి ( ఇన్పుట్ = 'బాబూ ఏంటి సంగతి' )
ఇప్పుడు మోడల్ అందించిన అవుట్పుట్కు సంబంధించిన ప్రశ్నను అడగడం ద్వారా సంభాషణను కొనసాగించండి:
సారాంశంతో_సంభాషణ. అంచనా వేయండి ( ఇన్పుట్ = 'వాళ్ళ సమస్యలు ఏమిటి' )
సందర్భం వలె ఉపయోగించబడే ఒక మునుపటి సందేశాన్ని మాత్రమే నిల్వ చేయడానికి మోడల్ కాన్ఫిగర్ చేయబడింది:
సారాంశంతో_సంభాషణ. అంచనా వేయండి ( ఇన్పుట్ = 'బాగా జరుగుతుందా' )
సమస్యలకు పరిష్కారం కోసం అడగండి మరియు అవుట్పుట్ నిర్మాణం మునుపటి సందేశాలను తీసివేయడం ద్వారా బఫర్ విండోను స్లైడింగ్ చేస్తూనే ఉంటుంది:
సారాంశంతో_సంభాషణ. అంచనా వేయండి ( ఇన్పుట్ = 'పరిష్కారం ఏమిటి' )
సంభాషణ బఫర్ విండోస్ లాంగ్చెయిన్ని ఉపయోగించే ప్రక్రియ గురించి అంతే.
ముగింపు
LangChainలో సంభాషణ బఫర్ విండో మెమరీని ఉపయోగించడానికి, మాడ్యూల్లను ఇన్స్టాల్ చేసి, OpenAI యొక్క API కీని ఉపయోగించి పర్యావరణాన్ని సెటప్ చేయండి. ఆ తర్వాత, సందర్భాన్ని ఉంచడానికి సంభాషణలో ఇటీవలి సందేశాలను ఉంచడానికి k విలువను ఉపయోగించి బఫర్ మెమరీని రూపొందించండి. LLM లేదా చైన్తో సంభాషణను ప్రేరేపించడానికి బఫర్ మెమరీని చైన్లతో కూడా ఉపయోగించవచ్చు. ఈ గైడ్ LangChainలో సంభాషణ బఫర్ విండోను ఉపయోగించే ప్రక్రియను వివరించింది.