ఈ పోస్ట్ ప్రాంప్ట్ టెంప్లేట్ మరియు అవుట్‌పుట్ పార్సర్‌ని ఉపయోగించి LangChain అప్లికేషన్‌లను రూపొందించే ప్రక్రియను వివరిస్తుంది.
ప్రాంప్ట్ టెంప్లేట్ మరియు అవుట్‌పుట్ పార్సర్‌ని ఉపయోగించి LangChain అప్లికేషన్‌లను ఎలా రూపొందించాలి?
ప్రాంప్ట్ టెంప్లేట్ మరియు అవుట్‌పుట్ పార్సర్‌ని ఉపయోగించి LangChain అప్లికేషన్‌ను రూపొందించడానికి, ఈ సులభమైన గైడ్ ద్వారా వెళ్ళండి:
దశ 1: LangChainని ఇన్‌స్టాల్ చేయండి
ముందుగా, LangChain ఫ్రేమ్‌వర్క్‌ని ఇన్‌స్టాల్ చేయడం ద్వారా LangChain అప్లికేషన్‌లను రూపొందించే ప్రక్రియను ప్రారంభించండి “ పిప్ ” ఆదేశం:
పిప్ ఇన్‌స్టాల్ లాంగ్‌చెయిన్
దశ 2: ప్రాంప్ట్ టెంప్లేట్ ఉపయోగించడం
LangChain మాడ్యూల్‌లను ఇన్‌స్టాల్ చేసిన తర్వాత, దిగుమతి చేయండి ప్రాంప్ట్ టెంప్లేట్ ” ప్రశ్నను అర్థం చేసుకోవడానికి మోడల్ కోసం ప్రశ్నను అందించడం ద్వారా ప్రాంప్ట్ టెంప్లేట్‌ను రూపొందించడానికి లైబ్రరీ:
langchain.prompts నుండి ప్రాంప్ట్ టెంప్లేట్‌ను దిగుమతి చేయండి
prompt = PromptTemplate.from_template('{ఉత్పత్తి}కి మంచి రంగు కలయిక ఏమిటి?')
prompt.format(ఉత్పత్తి='రంగుల సాక్స్')
అవుట్‌పుట్ స్వయంచాలకంగా వాక్యాన్ని “” విలువతో మిళితం చేస్తుంది ఉత్పత్తి ”వేరియబుల్:
ఆ తర్వాత, LangChain నుండి HumanMessagePromptTemplate, ChatPromptTemplate మరియు SystemMessagePromptTemplate లైబ్రరీలను దిగుమతి చేయడం ద్వారా మరొక ప్రాంప్ట్ టెంప్లేట్‌ను రూపొందించండి:
langchain.prompts.chat దిగుమతి నుండి (ChatPrompt టెంప్లేట్,
SystemMessagePrompt మూస,
హ్యూమన్ మెసేజ్ ప్రాంప్ట్ టెంప్లేట్,
)
#LangChain మోడల్ కోసం ప్రాంప్ట్ టెంప్లేట్‌ను కాన్ఫిగర్ చేయండి
template = 'మీరు {input_language}ని {output_language}కి అనువదించే సహాయకుడు'
system_message_prompt = SystemMessagePromptTemplate.from_template(టెంప్లేట్)
human_template = '{text}'
human_message_prompt = HumanMessagePromptTemplate.from_template(human_template)
chat_prompt = ChatPromptTemplate.from_messages([system_message_prompt, human_message_prompt])
chat_prompt.format_messages(input_language='ఫ్రెంచ్', output_language='ఇంగ్లీష్', text='నాకు AI ఇష్టం')
అవసరమైన అన్ని లైబ్రరీలను దిగుమతి చేసిన తర్వాత, టెంప్లేట్ వేరియబుల్ ఉపయోగించి ప్రశ్నల కోసం అనుకూల టెంప్లేట్‌ను రూపొందించండి:
ప్రశ్న/ప్రశ్న కోసం టెంప్లేట్‌ను సెట్ చేయడానికి మాత్రమే ప్రాంప్ట్ టెంప్లేట్‌లు ఉపయోగించబడతాయి మరియు ఇది ప్రశ్నకు ఎలాంటి సమాధానంతో ప్రత్యుత్తరం ఇవ్వదు. అయితే, OutputParser() ఫంక్షన్ ఈ క్రింది విభాగం ఉదాహరణతో వివరించినట్లు సమాధానాలను సంగ్రహించగలదు:
దశ 3: అవుట్‌పుట్ పార్సర్‌ని ఉపయోగించడం
ఇప్పుడు, కామాలతో వేరు చేయబడిన వచన విలువలను వేరు చేయడానికి మరియు అవుట్‌పుట్‌లో జాబితాను అందించడానికి LangChain నుండి BaseOutputParser లైబ్రరీని దిగుమతి చేయండి:
langchain.schema దిగుమతి BaseOutputParser నుండితరగతి కామా వేరు చేయబడిన జాబితాఅవుట్‌పుట్ పార్సర్(బేస్ అవుట్‌పుట్ పార్సర్):
def parse(self, text: str):
text.strip().split(', ')ని తిరిగి ఇవ్వండి
CommaSeparatedListOutputParser().parse('ధన్యవాదాలు, స్వాగతం')
ప్రాంప్ట్ టెంప్లేట్ మరియు అవుట్‌పుట్ పార్సర్‌ని ఉపయోగించి లాంగ్‌చెయిన్ అప్లికేషన్‌ను రూపొందించడం గురించి అంతే.
ముగింపు
ప్రాంప్ట్ టెంప్లేట్ మరియు అవుట్‌పుట్ పార్సర్‌ని ఉపయోగించి LangChain అప్లికేషన్‌ను రూపొందించడానికి, LangChainని ఇన్‌స్టాల్ చేసి, దాని నుండి లైబ్రరీలను దిగుమతి చేసుకోండి. ప్రశ్న కోసం నిర్మాణాన్ని రూపొందించడానికి PromptTemplate లైబ్రరీ ఉపయోగించబడుతుంది కాబట్టి పార్సర్() ఫంక్షన్‌ని ఉపయోగించి సమాచారాన్ని సంగ్రహించే ముందు మోడల్ ప్రశ్నను అర్థం చేసుకోగలదు. OutputParser() ఫంక్షన్ గతంలో అనుకూలీకరించిన ప్రశ్నల ఆధారంగా సమాధానాలను పొందేందుకు ఉపయోగించబడుతుంది. ఈ గైడ్ ప్రాంప్ట్ టెంప్లేట్ మరియు అవుట్‌పుట్ పార్సర్‌ని ఉపయోగించి LangChain అప్లికేషన్‌లను రూపొందించే ప్రక్రియను వివరించింది.