Esquema ràpid
Aquesta publicació demostrarà el següent:
- Com accedir als passos intermedis d'un agent a LangChain
- Instal·lació de Frameworks
- Configuració de l'entorn OpenAI
- Importació de biblioteques
- Edifici LLM i Agent
- Ús de l'agent
- Mètode 1: Tipus de retorn predeterminat per accedir als passos intermedis
- Mètode 2: Ús de 'bocaments' per accedir als passos intermedis
- Conclusió
Com accedir als passos intermedis d'un agent a LangChain?
Per crear l'agent a LangChain, l'usuari ha de configurar les seves eines i l'estructura de la plantilla per obtenir el nombre de passos implicats en el model. L'agent s'encarrega d'automatitzar els passos intermedis, com ara pensaments, accions, observacions, etc. Per saber com accedir als passos intermedis d'un agent a LangChain, només cal que seguiu els passos indicats:
Pas 1: instal·lació de marcs
En primer lloc, simplement instal·leu les dependències del LangChain executant el codi següent al Python Notebook:
pip install langchain_experimental
Instal·leu el mòdul OpenAI per obtenir les seves dependències mitjançant el pip comandar i utilitzar-los per construir el model de llenguatge:
pip install openai
Pas 2: Configuració de l'entorn OpenAI
Un cop instal·lats els mòduls, configureu el Entorn OpenAI utilitzant la clau API generada des del seu compte:
importar vostè
importar getpass
vostè. aproximadament [ 'OPENAI_API_KEY' ] = getpass. getpass ( 'Clau de l'API OpenAI:' )
Pas 3: importació de biblioteques
Ara que tenim les dependències instal·lades, utilitzeu-les per importar biblioteques del LangChain:
de langchain. agents importar carrega_einesde langchain. agents importar initialize_agent
de langchain. agents importar Tipus d'agent
de langchain. llms importar OpenAI
Pas 4: Creació de LLM i Agent
Un cop importades les biblioteques, és hora d'utilitzar-les per construir el model de llenguatge i les eines per a l'agent. Definiu la variable llm i assigneu-la amb el mètode OpenAI() que conté els arguments temperature i model_name. El ' eines La variable conté el mètode load_tools() amb les eines SerpAPi i llm-math i el model de llenguatge en el seu argument:
llm = OpenAI ( temperatura = 0 , nom_model = 'text-davinci-002' )eines = carrega_eines ( [ 'serpapi' , 'llm-matemàtiques' ] , llm = llm )
Un cop configurats el model d'idioma i les eines, només cal dissenyar l'agent per realitzar els passos intermedis utilitzant les eines del model d'idioma:
agent = initialize_agent (eines ,
llm ,
agent = Tipus d'agent. ZERO_SHOT_REACT_DESCRIPTION ,
verbosa = És cert ,
retorn_passos_intermedis = És cert ,
)
Pas 5: Ús de l'agent
Ara, poseu a prova l'agent fent una pregunta a l'entrada del mètode agent() i executant-lo:
resposta = agent ({
'entrada' : 'Qui és la xicota de Leo DiCaprio i quina és la seva diferència d'edat'
}
)
La model ha treballat de manera eficient per obtenir el nom de la xicota de Leo DiCaprio, la seva edat, l'edat de Leo DiCaprio i la diferència entre ells. La següent captura de pantalla mostra diverses preguntes i respostes cercades per l'agent per arribar a la resposta final:
La captura de pantalla anterior no mostra el funcionament de l'agent i com arriba a aquesta etapa per trobar totes les respostes. Passem a la següent secció per trobar els passos:
Mètode 1: Tipus de retorn predeterminat per accedir als passos intermedis
El primer mètode per accedir al pas intermedi és utilitzar el tipus de retorn predeterminat que ofereix LangChain mitjançant el codi següent:
imprimir ( resposta [ 'passos_intermedis' ] )El GIF següent mostra els passos intermedis en una sola línia, cosa que no és gaire bona pel que fa a l'aspecte de la llegibilitat:
Mètode 2: Ús de 'bocaments' per accedir als passos intermedis
El següent mètode explica una altra manera d'aconseguir els passos intermedis mitjançant la biblioteca d'abocament del marc LangChain. Utilitzeu el mètode dumps() amb l'argument pretty per fer que la sortida sigui més estructurada i fàcil de llegir:
de langchain. càrrega . abocador importar abocadorsimprimir ( abocadors ( resposta [ 'passos_intermedis' ] , bonic = És cert ) )
Ara, tenim la sortida en una forma més estructurada que és fàcilment llegible per l'usuari. També es divideix en diverses seccions per tenir més sentit i cada secció conté els passos per trobar respostes a les preguntes:
Es tracta d'accedir als passos intermedis d'un agent a LangChain.
Conclusió
Per accedir als passos intermedis d'un agent a LangChain, instal·leu els mòduls per importar biblioteques per crear models de llenguatge. Després d'això, configureu les eines per inicialitzar l'agent mitjançant les eines, llm i el tipus d'agent que pugui respondre les preguntes. Un cop l'agent estigui configurat, proveu-lo per obtenir les respostes i, a continuació, utilitzeu el tipus predeterminat o la biblioteca d'abocaments per accedir als passos intermedis. Aquesta guia ha elaborat el procés d'accés als passos intermedis d'un agent a LangChain.