ఈ గైడ్ లాంగ్చెయిన్లో సంభాషణ నాలెడ్జ్ గ్రాఫ్ని ఉపయోగించే విధానాన్ని వివరిస్తుంది.
LangChainలో సంభాషణ నాలెడ్జ్ గ్రాఫ్ని ఎలా ఉపయోగించాలి?
ది సంభాషణ KG మెమరీ పరస్పర చర్య యొక్క సందర్భాన్ని పొందడానికి ఉపయోగపడే మెమరీని పునఃసృష్టి చేయడానికి లైబ్రరీని ఉపయోగించవచ్చు. LangChainలో సంభాషణ నాలెడ్జ్ గ్రాఫ్ని ఉపయోగించే ప్రక్రియను తెలుసుకోవడానికి, జాబితా చేయబడిన దశల ద్వారా వెళ్ళండి:
దశ 1: మాడ్యూల్లను ఇన్స్టాల్ చేయండి
ముందుగా, LangChain మాడ్యూల్ను ఇన్స్టాల్ చేయడం ద్వారా సంభాషణ నాలెడ్జ్ గ్రాఫ్ను ఉపయోగించే ప్రక్రియను ప్రారంభించండి:
పిప్ ఇన్స్టాల్ లాంగ్చెయిన్
పెద్ద భాషా నమూనాలను రూపొందించడానికి దాని లైబ్రరీలను పొందడానికి పిప్ కమాండ్ని ఉపయోగించి ఇన్స్టాల్ చేయగల OpenAI మాడ్యూల్ను ఇన్స్టాల్ చేయండి:
pip ఇన్స్టాల్ openai
ఇప్పుడు, పర్యావరణాన్ని ఏర్పాటు చేయండి OpenAI API కీని ఉపయోగించి దాని ఖాతా నుండి ఉత్పత్తి చేయవచ్చు:
దిగుమతి మీరు
దిగుమతి getpass
మీరు . సుమారు [ 'OPENAI_API_KEY' ] = getpass . getpass ( 'OpenAI API కీ:' )
దశ 2: LLMలతో మెమరీని ఉపయోగించడం
మాడ్యూల్లు ఇన్స్టాల్ చేయబడిన తర్వాత, LangChain మాడ్యూల్ నుండి అవసరమైన లైబ్రరీలను దిగుమతి చేయడం ద్వారా LLMతో మెమరీని ఉపయోగించడం ప్రారంభించండి:
నుండి లాంగ్చైన్. జ్ఞాపకశక్తి దిగుమతి సంభాషణ KG మెమరీనుండి లాంగ్చైన్. llms దిగుమతి OpenAI
OpenAI() పద్ధతిని ఉపయోగించి LLMని రూపొందించండి మరియు మెమరీని కాన్ఫిగర్ చేయండి సంభాషణ KG మెమరీ () పద్ధతి. ఆ తర్వాత, ఈ డేటాపై మోడల్కు శిక్షణ ఇవ్వడానికి వాటి సంబంధిత ప్రతిస్పందనతో బహుళ ఇన్పుట్లను ఉపయోగించి ప్రాంప్ట్ టెంప్లేట్లను సేవ్ చేయండి:
llm = OpenAI ( ఉష్ణోగ్రత = 0 )జ్ఞాపకశక్తి = సంభాషణ KG మెమరీ ( llm = llm )
జ్ఞాపకశక్తి. సేవ్_సందర్భం ( { 'ఇన్పుట్' : 'జాన్కి హాయ్ చెప్పు' } , { 'అవుట్పుట్' : 'జాన్! ఎవరు' } )
జ్ఞాపకశక్తి. సేవ్_సందర్భం ( { 'ఇన్పుట్' : 'అతను ఒక స్నేహితుడు' } , { 'అవుట్పుట్' : 'తప్పకుండా' } )
లోడ్ చేయడం ద్వారా మెమరీని పరీక్షించండి మెమరీ_వేరియబుల్స్ () పై డేటాకు సంబంధించిన ప్రశ్నను ఉపయోగించే పద్ధతి:
జ్ఞాపకశక్తి. load_memory_variables ( { 'ఇన్పుట్' : 'ఎవరు జాన్' } )
తో ConversationKGMemory() పద్ధతిని ఉపయోగించి మెమరీని కాన్ఫిగర్ చేయండి రిటర్న్_మెసేజెస్ ఇన్పుట్ చరిత్రను కూడా పొందడానికి వాదన:
జ్ఞాపకశక్తి = సంభాషణ KG మెమరీ ( llm = llm , రిటర్న్_మెసేజెస్ = నిజమే )జ్ఞాపకశక్తి. సేవ్_సందర్భం ( { 'ఇన్పుట్' : 'జాన్కి హాయ్ చెప్పు' } , { 'అవుట్పుట్' : 'జాన్! ఎవరు' } )
జ్ఞాపకశక్తి. సేవ్_సందర్భం ( { 'ఇన్పుట్' : 'అతను ఒక స్నేహితుడు' } , { 'అవుట్పుట్' : 'తప్పకుండా' } )
ఇన్పుట్ ఆర్గ్యుమెంట్ని దాని విలువతో ప్రశ్న రూపంలో అందించడం ద్వారా మెమరీని పరీక్షించండి:
జ్ఞాపకశక్తి. load_memory_variables ( { 'ఇన్పుట్' : 'ఎవరు జాన్' } )
ఇప్పుడు, శిక్షణ డేటాలో పేర్కొనబడని ప్రశ్నను అడగడం ద్వారా మెమరీని పరీక్షించండి మరియు ప్రతిస్పందన గురించి మోడల్కు తెలియదు:
జ్ఞాపకశక్తి. ప్రస్తుత_ఎంటిటీలను పొందండి ( 'జాన్ యొక్క ఇష్టమైన రంగు ఏమిటి' )ఉపయోగించడానికి త్రిపాది_జ్ఞానం_పొందండి () గతంలో అడిగిన ప్రశ్నకు ప్రతిస్పందించడం ద్వారా పద్ధతి:
జ్ఞాపకశక్తి. త్రిపాది_జ్ఞానం_పొందండి ( 'అతనికి ఇష్టమైన రంగు ఎరుపు' )
దశ 3: చైన్లో మెమరీని ఉపయోగించడం
తదుపరి దశ OpenAI() పద్ధతిని ఉపయోగించి LLM మోడల్ను రూపొందించడానికి చైన్లతో సంభాషణ మెమరీని ఉపయోగిస్తుంది. ఆ తర్వాత, సంభాషణ నిర్మాణాన్ని ఉపయోగించి ప్రాంప్ట్ టెంప్లేట్ను కాన్ఫిగర్ చేయండి మరియు మోడల్ ద్వారా అవుట్పుట్ పొందేటప్పుడు టెక్స్ట్ ప్రదర్శించబడుతుంది:
llm = OpenAI ( ఉష్ణోగ్రత = 0 )నుండి లాంగ్చైన్. అడుగుతుంది . ప్రాంప్ట్ దిగుమతి ప్రాంప్ట్ టెంప్లేట్
నుండి లాంగ్చైన్. గొలుసులు దిగుమతి సంభాషణ చైన్
టెంప్లేట్ = '''ఇది మానవులు మరియు యంత్రాల మధ్య పరస్పర చర్యకు సంబంధించిన టెంప్లేట్
సిస్టమ్ అనేది బహుళ అంశాల గురించి మాట్లాడగల లేదా సేకరించగల AI మోడల్
దానికి ప్రశ్న అర్థం కాకపోయినా లేదా సమాధానం లేకుంటే, అది అలా చెబుతుంది
సిస్టమ్ ఎక్స్ట్రాక్ట్ డేటా 'నిర్దిష్ట' విభాగంలో నిల్వ చేయబడుతుంది మరియు భ్రాంతిని కలిగించదు
నిర్దిష్ట:
{చరిత్ర}
సంభాషణ:
మానవుడు: {input}
AI:'''
#ప్రాంప్ట్లను అందించడానికి మరియు AI సిస్టమ్ నుండి ప్రతిస్పందనను పొందడానికి టెంప్లేట్ లేదా నిర్మాణాన్ని కాన్ఫిగర్ చేయండి
ప్రాంప్ట్ = ప్రాంప్ట్ టెంప్లేట్ ( ఇన్పుట్_వేరియబుల్స్ = [ 'చరిత్ర' , 'ఇన్పుట్' ] , టెంప్లేట్ = టెంప్లేట్ )
కేజీతో_సంభాషణ = సంభాషణ చైన్ (
llm = llm , మాటలతో కూడిన = నిజమే , ప్రాంప్ట్ = ప్రాంప్ట్ , జ్ఞాపకశక్తి = సంభాషణ KG మెమరీ ( llm = llm )
)
మోడల్ సృష్టించబడిన తర్వాత, కేవలం కాల్ చేయండి కేజీతో_సంభాషణ వినియోగదారు అడిగిన ప్రశ్నతో అంచనా() పద్ధతిని ఉపయోగించి మోడల్:
కేజీతో_సంభాషణ. అంచనా వేయండి ( ఇన్పుట్ = 'బాబూ ఏంటి సంగతి?' )
ఇప్పుడు, పద్ధతికి ఇన్పుట్ ఆర్గ్యుమెంట్గా సమాచారాన్ని ఇవ్వడం ద్వారా సంభాషణ మెమరీని ఉపయోగించి మోడల్కు శిక్షణ ఇవ్వండి:
కేజీతో_సంభాషణ. అంచనా వేయండి (ఇన్పుట్ = 'నా పేరు జేమ్స్ మరియు నేను విల్కి సహాయం చేస్తున్నాను, అతను ఇంజనీర్'
)
డేటా నుండి సమాచారాన్ని సేకరించేందుకు ప్రశ్నలను అడగడం ద్వారా మోడల్ను పరీక్షించడానికి ఇక్కడ సమయం ఉంది:
కేజీతో_సంభాషణ. అంచనా వేయండి ( ఇన్పుట్ = 'ఎవరు విల్' )
లాంగ్చెయిన్లో సంభాషణ నాలెడ్జ్ గ్రాఫ్ని ఉపయోగించడం గురించి అంతే.
ముగింపు
LangChainలో సంభాషణ నాలెడ్జ్ గ్రాఫ్ని ఉపయోగించడానికి, ConversationKGMemory() పద్ధతిని ఉపయోగించడం కోసం లైబ్రరీలను దిగుమతి చేయడానికి మాడ్యూల్స్ లేదా ఫ్రేమ్వర్క్లను ఇన్స్టాల్ చేయండి. ఆ తర్వాత, గొలుసులను నిర్మించడానికి మరియు కాన్ఫిగరేషన్లో అందించిన శిక్షణ డేటా నుండి సమాచారాన్ని సేకరించేందుకు మెమరీని ఉపయోగించి మోడల్ను రూపొందించండి. ఈ గైడ్ లాంగ్చెయిన్లో సంభాషణ నాలెడ్జ్ గ్రాఫ్ను ఉపయోగించే ప్రక్రియను వివరించింది.