ఈ గైడ్ LangChain Hub నుండి గొలుసులను లోడ్ చేసే ప్రక్రియను వివరిస్తుంది.
LangChainని ఉపయోగించి చైన్‌లో మెమరీ స్థితిని ఎలా జోడించాలి?
గొలుసులను ప్రారంభించేందుకు మెమరీ స్థితిని ఉపయోగించవచ్చు, ఎందుకంటే ఇది అవుట్‌పుట్‌ను తిరిగి ఇచ్చే సమయంలో ఉపయోగించబడుతుంది. LangChain ఫ్రేమ్‌వర్క్‌ని ఉపయోగించి గొలుసులలో మెమరీ స్థితిని జోడించే ప్రక్రియను తెలుసుకోవడానికి, ఈ సులభమైన గైడ్ ద్వారా వెళ్ళండి:
దశ 1: మాడ్యూల్‌లను ఇన్స్టాల్ చేయండి
ముందుగా, పిప్ ఆదేశాన్ని ఉపయోగించి లాంగ్‌చెయిన్ ఫ్రేమ్‌వర్క్‌ను దాని డిపెండెన్సీలతో ఇన్స్టాల్ చేయడం ద్వారా ప్రక్రియలోకి ప్రవేశించండి:
పిప్ ఇన్స్టాల్ లాంగ్‌చెయిన్
గొలుసులో మెమరీ స్థితిని జోడించడానికి ఉపయోగించే దాని లైబ్రరీలను పొందడానికి OpenAI మాడ్యూల్‌ను అలాగే ఇన్స్టాల్ చేయండి:
pip ఇన్స్టాల్ openai
OpenAI ఖాతా నుండి API కీని పొందండి మరియు పర్యావరణాన్ని ఏర్పాటు చేయండి దీన్ని ఉపయోగించడం వలన గొలుసులు దానిని యాక్సెస్ చేయగలవు:
దిగుమతి మీరు
దిగుమతి getpass
మీరు . సుమారు [ 'OPENAI_API_KEY' ] = getpass . getpass ( 'OpenAI API కీ:' )
కోడ్ సరిగ్గా పని చేయడానికి ఈ దశ ముఖ్యం.
దశ 2: లైబ్రరీలను దిగుమతి చేయండి
పర్యావరణాన్ని సెటప్ చేసిన తర్వాత, LLMCchain, ConversationBufferMemory మరియు మరెన్నో మెమరీ స్థితిని జోడించడం కోసం లైబ్రరీలను దిగుమతి చేయండి:
నుండి లాంగ్చైన్. గొలుసులు దిగుమతి సంభాషణ చైన్నుండి లాంగ్చైన్. జ్ఞాపకశక్తి దిగుమతి సంభాషణబఫర్ మెమరీ
నుండి లాంగ్చైన్. చాట్_మోడల్స్ దిగుమతి ChatOpenAI
నుండి లాంగ్చైన్. గొలుసులు . llm దిగుమతి LLMCచైన్
నుండి లాంగ్చైన్. అడుగుతుంది దిగుమతి ప్రాంప్ట్ టెంప్లేట్
దశ 3: బిల్డింగ్ చైన్లు
ఇప్పుడు, OpenAI() పద్ధతిని ఉపయోగించి LLM కోసం చైన్‌లను రూపొందించండి మరియు చైన్‌కి కాల్ చేయడానికి ప్రశ్నను ఉపయోగించి ప్రాంప్ట్ యొక్క టెంప్లేట్:
చాట్ = ChatOpenAI ( ఉష్ణోగ్రత = 0 )ప్రాంప్ట్_టెంప్లేట్ = 'ఒక {స్టైల్} జోక్ రాయండి'
llm_గొలుసు = LLMCచైన్ ( llm = చాట్ , ప్రాంప్ట్ = ప్రాంప్ట్ టెంప్లేట్. నుండి_టెంప్లేట్ ( ప్రాంప్ట్_టెంప్లేట్ ) )
llm_గొలుసు ( ఇన్‌పుట్‌లు = { 'శైలి' : 'కార్నీ' } )
దిగువ స్క్రీన్‌షాట్‌లో ప్రదర్శించిన విధంగా LLM మోడల్‌ని ఉపయోగించి మోడల్ అవుట్‌పుట్‌ను ప్రదర్శించింది:
దశ 4: మెమరీ స్థితిని జోడించడం
ఇక్కడ మనం ConversationBufferMemory() పద్ధతిని ఉపయోగించి చైన్‌లో మెమరీ స్థితిని జోడించబోతున్నాము మరియు ఇంద్రధనస్సు నుండి 3 రంగులను పొందడానికి గొలుసును అమలు చేస్తాము:
సంభాషణ = సంభాషణ చైన్ (llm = చాట్ ,
జ్ఞాపకశక్తి = సంభాషణబఫర్ మెమరీ ( )
)
సంభాషణ. పరుగు ( 'రెయిన్బోలో క్లుప్తంగా 3 రంగులు ఇవ్వండి' )
మోడల్ ఇంద్రధనస్సు యొక్క మూడు రంగులను మాత్రమే ప్రదర్శించింది మరియు సందర్భం గొలుసు యొక్క మెమరీలో నిల్వ చేయబడుతుంది:
ఇక్కడ మేము అస్పష్టమైన ఆదేశంతో గొలుసును నడుపుతున్నాము ' ఇతర 4? ” కాబట్టి మోడల్ కూడా మెమరీ నుండి సందర్భాన్ని పొందుతుంది మరియు మిగిలిన ఇంద్రధనస్సు రంగులను ప్రదర్శిస్తుంది:
సంభాషణ. పరుగు ( 'ఇతర 4?' )మోడల్ సరిగ్గా అదే చేసింది, ఇది సందర్భాన్ని అర్థం చేసుకుని, ఇంద్రధనస్సు సెట్ నుండి మిగిలిన నాలుగు రంగులను తిరిగి ఇచ్చింది:
లాంగ్‌చెయిన్ హబ్ నుండి చైన్‌లను లోడ్ చేయడం గురించి అంతే.
ముగింపు
LangChain ఫ్రేమ్‌వర్క్‌ని ఉపయోగించి చైన్‌లలో మెమరీని జోడించడానికి, LLMని నిర్మించడానికి పర్యావరణాన్ని సెటప్ చేయడానికి మాడ్యూల్‌లను ఇన్స్టాల్ చేయండి. ఆ తర్వాత, LLMలో గొలుసులను నిర్మించడానికి అవసరమైన లైబ్రరీలను దిగుమతి చేయండి మరియు దానికి మెమరీ స్థితిని జోడించండి. గొలుసుకు మెమరీ స్థితిని జోడించిన తర్వాత, అవుట్‌పుట్ పొందడానికి గొలుసుకు ఆదేశాన్ని ఇవ్వండి మరియు సరైన ప్రత్యుత్తరాన్ని పొందడానికి మునుపటి సందర్భంలో మరొక ఆదేశాన్ని ఇవ్వండి. ఈ పోస్ట్ LangChain ఫ్రేమ్‌వర్క్‌ని ఉపయోగించి చైన్‌లలో మెమరీ స్థితిని జోడించే ప్రక్రియను వివరించింది.