ఈ గైడ్ LangChainలో సంభాషణ సారాంశం బఫర్ను ఉపయోగించే ప్రక్రియను వివరిస్తుంది.
LangChainలో సంభాషణ సారాంశం బఫర్ను ఎలా ఉపయోగించాలి?
సంభాషణ మానవ మరియు యంత్రాల మధ్య పరస్పర చర్య వంటి బహుళ సందేశాలను కలిగి ఉంటుంది మరియు బఫర్ ఇటీవలి సందేశాలను నిల్వ చేయగలదు. ది సంభాషణ సారాంశం బఫర్ మెమరీ ఇటీవలి సందేశాలను నిల్వ చేయడం మరియు వాటి సారాంశాన్ని సంగ్రహించడం వంటి రెండు భావనలను కలపడానికి లైబ్రరీ ఉపయోగించబడుతుంది.
LangChainలో సంభాషణ సారాంశం బఫర్ను ఉపయోగించే ప్రక్రియను తెలుసుకోవడానికి, కింది గైడ్ ద్వారా వెళ్ళండి:
దశ 1: మాడ్యూల్లను ఇన్స్టాల్ చేయండి
ముందుగా, అవసరమైన లైబ్రరీలను పొందడానికి పిప్ ఆదేశాన్ని ఉపయోగించి LangChain మాడ్యూల్ను ఇన్స్టాల్ చేయండి:
పిప్ ఇన్స్టాల్ లాంగ్చెయిన్
టెక్స్ట్ డాక్యుమెంట్లను చిన్న భాగాలుగా విభజించడానికి ఉపయోగించే టిక్టోకెన్ టోకెనైజర్ను ఇన్స్టాల్ చేయండి:
pip tiktoken ఇన్స్టాల్
ఆ తర్వాత, LLMలు మరియు చైన్ల వంటి భాషా నమూనాలను రూపొందించడానికి ఉపయోగించే OpenAI మాడ్యూల్లను ఇన్స్టాల్ చేయండి:
pip ఇన్స్టాల్ openai
ఇప్పుడు, పర్యావరణాన్ని ఏర్పాటు చేయండి OpenAI ఖాతా నుండి API కీని పొందడం ద్వారా మరియు దానిని మోడల్లో ఉపయోగించడం ద్వారా:
దిగుమతి మీరుదిగుమతి getpass
మీరు . సుమారు [ 'OPENAI_API_KEY' ] = getpass . getpass ( 'OpenAI API కీ:' )
దశ 2: సంభాషణ సారాంశం బఫర్ని ఉపయోగించడం
OpenAI() పద్ధతిని ఉపయోగించి LLMని నిర్మించడానికి లైబ్రరీలను దిగుమతి చేయడం ద్వారా సంభాషణ సారాంశం బఫర్ను ఉపయోగించే ప్రక్రియను ప్రారంభించండి:
నుండి లాంగ్చైన్. జ్ఞాపకశక్తి దిగుమతి సంభాషణ సారాంశం బఫర్ మెమరీనుండి లాంగ్చైన్. llms దిగుమతి OpenAI
llm = OpenAI ( )
ConversationSummaryBufferMemory() పద్ధతిని ఉపయోగించి మెమరీని రూపొందించండి మరియు సంభాషణను మెమరీలో నిల్వ చేయండి:
జ్ఞాపకశక్తి = సంభాషణ సారాంశం బఫర్ మెమరీ ( llm = llm , గరిష్ట_టోకెన్_పరిమితి = 10 )జ్ఞాపకశక్తి. సేవ్_సందర్భం ( { 'ఇన్పుట్' : 'హలో' } , { 'అవుట్పుట్' : 'నువ్వు ఎలా ఉన్నావు' } )
జ్ఞాపకశక్తి. సేవ్_సందర్భం ( { 'ఇన్పుట్' : 'నేను బాగున్నాను నీ సంగతేంటి' } , { 'అవుట్పుట్' : 'చాలా కాదు' } )
ఇప్పుడు, కాల్ చేయడం ద్వారా మెమరీని అమలు చేయండి load_memory_variables () మెమొరీ నుండి సందేశాలను సంగ్రహించే పద్ధతి:
జ్ఞాపకశక్తి. load_memory_variables ( { } )
ఇప్పుడు, బఫర్లో నిల్వ చేయవలసిన సందేశాల సంఖ్యను పరిమితం చేయడం ద్వారా బఫర్ను కాన్ఫిగర్ చేయడానికి సంభాషణ యొక్క బఫర్ సారాంశాన్ని ఉపయోగించండి. ఆ తర్వాత, బఫర్లో నిల్వ చేయబడిన ఈ సందేశాల సారాంశాన్ని సంగ్రహించి, ఆపై సంభాషణను మెమరీలో నిల్వ చేయండి:
జ్ఞాపకశక్తి = సంభాషణ సారాంశం బఫర్ మెమరీ (llm = llm , గరిష్ట_టోకెన్_పరిమితి = 10 , రిటర్న్_మెసేజెస్ = నిజమే
)
జ్ఞాపకశక్తి. సేవ్_సందర్భం ( { 'ఇన్పుట్' : 'హలో' } , { 'అవుట్పుట్' : 'నువ్వు ఎలా ఉన్నావు' } )
జ్ఞాపకశక్తి. సేవ్_సందర్భం ( { 'ఇన్పుట్' : 'నేను బాగున్నాను నీ సంగతేంటి' } , { 'అవుట్పుట్' : 'చాలా కాదు' } )
కింది కోడ్ని ఉపయోగించి బఫర్ మెమరీలో నిల్వ చేయబడిన మునుపటి సందేశాల సారాంశాన్ని పొందండి:
సందేశాలు = జ్ఞాపకశక్తి. చాట్_మెమరీ . సందేశాలుమునుపటి_సారాంశం = ''
జ్ఞాపకశక్తి. అంచనా_కొత్త_సారాంశం ( సందేశాలు , మునుపటి_సారాంశం )
దశ 3: చైన్లో సంభాషణ సారాంశం బఫర్ని ఉపయోగించడం
ఉపయోగించి గొలుసులను నిర్మించండి సంభాషణ చైన్() సందేశాన్ని నిల్వ చేయడానికి బఫర్ మెమరీ విలువను కలిగి ఉన్న పద్ధతి:
నుండి లాంగ్చైన్. గొలుసులు దిగుమతి సంభాషణ చైన్సారాంశంతో_సంభాషణ = సంభాషణ చైన్ (
llm = llm ,
జ్ఞాపకశక్తి = సంభాషణ సారాంశం బఫర్ మెమరీ ( llm = OpenAI ( ) , గరిష్ట_టోకెన్_పరిమితి = 40 ) ,
మాటలతో కూడిన = నిజమే ,
)
సారాంశంతో_సంభాషణ. అంచనా వేయండి ( ఇన్పుట్ = 'బాబూ ఏంటి సంగతి?' )
సంభాషణ యొక్క సారాంశాన్ని పొందడానికి ప్రిడిక్ట్() పద్ధతిని ఉపయోగించి ఇన్పుట్ను టెక్స్ట్ రూపంలో అందించండి:
సారాంశంతో_సంభాషణ. అంచనా వేయండి ( ఇన్పుట్ = 'ఇప్పుడే NLP ప్రాజెక్ట్లో పని చేస్తున్నాను' )
మోడల్ నుండి అవుట్పుట్ని ఉపయోగించండి మరియు బఫర్ మెమరీలోని సందేశాలను ఉపయోగించి మరింత డేటాను జోడించండి మరియు దాని సారాంశాన్ని ప్రదర్శించండి:
సారాంశంతో_సంభాషణ. అంచనా వేయండి ( ఇన్పుట్ = 'అవును! నేను LLMల రూపకల్పనలో పని చేస్తున్నాను' )
సారాంశం ఏమిటంటే అవుట్పుట్ సులభంగా అర్థమయ్యేలా మరియు మరింత మానవ-స్నేహపూర్వకంగా ఉంటుంది మరియు చాట్బాట్లకు మరింత అనుకూలంగా ఉంటుంది:
సారాంశంతో_సంభాషణ. అంచనా వేయండి (ఇన్పుట్ = 'నేను LangChainని ఉపయోగించాలనుకుంటున్నాను! మీరు దాని గురించి విన్నారా'
)
లాంగ్చెయిన్లో సంభాషణ సారాంశం బఫర్ని ఉపయోగించడం గురించి అంతే.
ముగింపు
LangChainలో సంభాషణ సారాంశం బఫర్ మెమరీని ఉపయోగించడానికి, అవసరమైన లైబ్రరీలను పొందడానికి మాడ్యూల్స్ లేదా ఫ్రేమ్వర్క్లను ఇన్స్టాల్ చేయండి. లైబ్రరీలను దిగుమతి చేసుకున్న తర్వాత, సంభాషణ యొక్క సారాంశాన్ని పొందడానికి ConverstaionSummaryBufferMemory() ఫంక్షన్ని ఉపయోగించడానికి LLMలు లేదా చాట్బాట్లను రూపొందించండి. సారాంశాన్ని సంగ్రహించడం కోసం మెమరీలో నిల్వ చేయబడిన సందేశాల సంఖ్యను పరిమితం చేయడానికి బఫర్ మెమరీ ఉపయోగించబడుతుంది. ఈ పోస్ట్ లాంగ్చెయిన్లో సంభాషణ సారాంశం బఫర్ మెమరీని ఉపయోగించే ప్రక్రియ గురించి వివరించింది.