లార్జ్ లాంగ్వేజ్ మోడల్‌లు లేదా LLMలు సహజ భాషల్లోని ఆదేశాలను ఉపయోగించి డేటాను పొందే చాట్‌బాట్‌లను రూపొందించడానికి ఒక శక్తివంతమైన న్యూరల్ నెట్‌వర్క్ అల్గారిథమ్. LLMలు మెషీన్‌లు/కంప్యూటర్‌లు సహజ భాషను బాగా అర్థం చేసుకోవడానికి మరియు మానవుల వంటి భాషను రూపొందించడానికి వీలు కల్పిస్తాయి. LangChain మాడ్యూల్ NLP మోడల్‌లను రూపొందించడానికి కూడా పని చేస్తుంది. అయినప్పటికీ, దీనికి దాని LLM లేదు కానీ ఇది అనేక విభిన్న LLMలతో పరస్పర చర్యను అనుమతిస్తుంది.
ఈ గైడ్ LangChainని ఉపయోగించి లార్జ్ లాంగ్వేజ్ మోడల్‌లతో పరస్పర చర్య చేసే విధానాన్ని వివరిస్తుంది.
LangChainని ఉపయోగించి LLMలతో ఎలా పరస్పర చర్య చేయాలి?
LangChainని ఉపయోగించి LLMలతో పరస్పర చర్య చేయడానికి, ఉదాహరణలతో ఈ సాధారణ దశల వారీ మార్గదర్శినిని అనుసరించండి:
LLMలతో పరస్పర చర్య చేయడానికి మాడ్యూల్‌లను ఇన్స్టాల్ చేయండి
LangChainని ఉపయోగించి LLMలతో పరస్పర చర్య ప్రక్రియను ప్రారంభించే ముందు, “ని ఇన్స్టాల్ చేయండి లాంగ్చైన్ ” మాడ్యూల్ కింది కోడ్‌ని ఉపయోగిస్తుంది:
పిప్ ఇన్స్టాల్ లాంగ్చైన్
OpenAI ఫ్రేమ్‌వర్క్‌ను ఇన్స్టాల్ చేయడానికి, కింది కోడ్ ద్వారా LLMలతో పరస్పర చర్య చేయడానికి దాని API కీని ఉపయోగించండి:
ఇప్పుడు, దిగుమతి' మీరు 'మరియు' getpass ” కోడ్‌ని అమలు చేసిన తర్వాత OpenAI API కీని ఉపయోగించడానికి:
మమ్మల్ని దిగుమతి చేసుకోండి
గెట్‌పాస్‌ని దిగుమతి చేయండి
os.ఎన్విరాన్ [ 'OPENAI_API_KEY' ] = getpass.getpass ( 'OpenAI API కీ:' )
LLMకి కాల్ చేస్తోంది
''కి దాని పనితీరును కేటాయించడానికి LangChain మాడ్యూల్ నుండి OpenAI లైబ్రరీని దిగుమతి చేయండి llm ”వేరియబుల్:
langchain.llms నుండి OpenAIని దిగుమతి చేయండిllm = OpenAI ( )
ఆ తర్వాత, కేవలం కాల్ చేయండి ' llm ” ఫంక్షన్ మరియు ప్రాంప్ట్ క్వెరీ దాని పరామితిగా:
LLMలను ఉపయోగించి బహుళ టెక్స్ట్‌లను రూపొందించండి
LLM నుండి వచనాన్ని రూపొందించడానికి మరియు వాటిని “లో నిల్వ చేయడానికి సహజ భాషలో బహుళ ప్రాంప్ట్‌లతో జనరేట్() పద్ధతిని ఉపయోగించండి llm_ఫలితం ”వేరియబుల్:
llm_result = llm.genrate ( [ 'నేను ఒక జోక్ వినాలనుకుంటున్నాను' , 'పద్యం రాయండి' ] * పదిహేను )
'లో నిల్వ చేయబడిన వస్తువుల పొడవును పొందండి llm_ఫలితం ” జనరేట్() ఫంక్షన్‌ని ఉపయోగించి వేరియబుల్:
వస్తువుల సూచిక సంఖ్యతో వేరియబుల్‌కు కాల్ చేయండి:
కింది స్క్రీన్‌షాట్ “లో నిల్వ చేయబడిన వచనాన్ని ప్రదర్శిస్తుంది llm_ఫలితం ” వేరియబుల్ దాని 0-ఇండెక్స్‌లో జోక్‌ని ఉత్పత్తి చేస్తుంది:
llm_result వేరియబుల్‌లో ఉంచిన పద్యాన్ని రూపొందించడానికి ఇండెక్స్ -1 పరామితితో తరం() పద్ధతిని ఉపయోగించండి:
ఉత్పత్తి చేయబడిన ఫంక్షన్‌ని ఉపయోగించి మునుపటి LLMలో రూపొందించబడిన ప్రొవైడర్-నిర్దిష్ట సమాచారాన్ని పొందడానికి ఫలిత వేరియబుల్‌లో ఉత్పత్తి చేయబడిన అవుట్‌పుట్‌ను ప్రదర్శించండి:
సహజమైన భాషను రూపొందించడానికి LangChain ఫ్రేమ్‌వర్క్‌ని ఉపయోగించి LLMలతో పరస్పర చర్య చేయడం అంతే.
ముగింపు
LangChainని ఉపయోగించి లార్జ్ లాంగ్వేజ్ మోడల్‌లతో పరస్పర చర్య చేయడానికి, LLMల కోసం లైబ్రరీలను దిగుమతి చేయడానికి LangChain మరియు OpenAI వంటి ఫ్రేమ్‌వర్క్‌లను ఇన్స్టాల్ చేయండి. ఆ తర్వాత, సహజ భాషను అర్థం చేసుకోవడానికి లేదా రూపొందించడానికి LLMలుగా ఉపయోగించడానికి OpenAI API కీని అందించండి. సహజ భాషలో ఇన్‌పుట్ ప్రాంప్ట్ కోసం LLMని ఉపయోగించండి మరియు ఆదేశం ఆధారంగా టెక్స్ట్‌ని రూపొందించడానికి దాన్ని కాల్ చేయండి. ఈ గైడ్ LangChain మాడ్యూల్‌లను ఉపయోగించి లార్జ్ లాంగ్వేజ్ మోడల్‌లతో పరస్పర చర్య చేసే విధానాన్ని వివరించింది.