Как добавить память в агент функций OpenAI в LangChain?

OpenAI — это организация по искусственному интеллекту (ИИ), которая была основана в 2015 году и вначале была некоммерческой организацией. Microsoft инвестирует большие средства с 2020 года, поскольку обработка естественного языка (NLP) с помощью искусственного интеллекта процветает благодаря чат-ботам и языковым моделям.

Создание агентов OpenAI позволяет разработчикам получать более читабельные и точные результаты из Интернета. Добавление памяти агентам позволяет им лучше понимать контекст чата, а также сохранять предыдущие разговоры в своей памяти. Чтобы изучить процесс добавления памяти в агент функций OpenAI в LangChain, просто выполните следующие шаги:

Шаг 1: Установка фреймворков

Прежде всего, установите зависимости LangChain из «langchain-экспериментальный» framework, используя следующий код:

pip установить langchain - экспериментальный

Установите «результаты поиска в Google» модуль для получения результатов поиска с сервера Google:

пип установить гугл - поиск - Результаты

Также установите модуль OpenAI, который можно использовать для построения языковых моделей в LangChain:

pip установить openai

Шаг 2. Настройка среды

После получения модулей настройте среды, используя ключи API из ОпенАИ и СерпAPi Счета:

Импортировать ты
Импортировать получить пропуск

ты. примерно [ 'ОПЕНАЙ_API_KEY' ] '=' получить пропуск. получить пропуск ( «Ключ API OpenAI:» )
ты. примерно [ 'SERPAPI_API_KEY' ] '=' получить пропуск. получить пропуск ( «Ключ API Serpapi:» )

Выполните приведенный выше код, чтобы ввести ключи API для доступа к среде, и нажмите Enter для подтверждения:

Шаг 3. Импорт библиотек

Теперь, когда настройка завершена, используйте зависимости, установленные из LangChain, для импорта необходимых библиотек для сборки памяти и агентов:

из Лангчейна. цепи Импортировать LLMMathChain
из Лангчейна. llms Импортировать ОпенАИ
#получить библиотеку для поиска в Google через Интернет
из Лангчейна. коммунальные услуги Импортировать СерпAPIWrapper
из Лангчейна. коммунальные услуги Импортировать База данных SQL
из langchain_experimental. sql Импортировать SQLDatabaseChain
#получить библиотеку для создания инструментов для инициализация агента
из Лангчейна. агенты Импортировать Тип агента , Инструмент , инициализировать_агент
из Лангчейна. чат_модели Импортировать ЧатOpenAI

Шаг 4: Создание базы данных

Чтобы продолжить работу с этим руководством, нам нужно создать базу данных и подключиться к агенту, чтобы извлечь из нее ответы. Для сборки базы данных необходимо скачать SQLite, используя этот гид и подтвердите установку с помощью следующей команды:

sqlite3

Запуск указанной выше команды в Терминал Windows отображает установленную версию SQLite (3.43.2):

После этого просто перейдите в каталог на вашем компьютере, где будет создана и сохранена база данных:

компакт-диск рабочего стола
компакт-диск mydb
sqlite3 Чинук. БД

Пользователь может просто загрузить содержимое базы данных отсюда. связь в каталоге и выполните следующую команду для создания базы данных:

. читать Чинук_Sqlite. sql
ВЫБИРАТЬ * ОТ ПРЕДЕЛА исполнителя 10 ;

База данных успешно построена и пользователь может искать в ней данные по различным запросам:

Шаг 5: Загрузка базы данных

После успешного создания базы данных загрузите «.дб» файл в Google Collaboratory, используя следующий код:

из Гугла. И ДРУГИЕ Импортировать файлы
загружено '=' файлы. загрузить ( )

Выберите файл из локальной системы, нажав на значок «Выбрать файлы» кнопку после выполнения приведенного выше кода:

После загрузки файла просто скопируйте путь к файлу, который будет использоваться на следующем шаге:

Шаг 6. Настройка языковой модели

Постройте языковую модель, цепочки, инструменты и цепочки, используя следующий код:

лм '=' ЧатOpenAI ( температура '=' 0 , модель '=' 'gpt-3.5-турбо-0613' )
поиск '=' СерпAPIWrapper ( )
llm_math_chain '=' LLMMathChain. from_llm ( лм '=' лм , подробный '=' Истинный )
БД '=' SQLDatabase. from_uri ( 'sqlite:///../../../../../content/Chinook.db' )
db_chain '=' SQLDatabaseChain. from_llm ( лм , БД , подробный '=' Истинный )
инструменты '=' [
Инструмент (
имя '=' 'Поиск' ,
функция '=' поиск. бегать ,
описание '=' «Задавайте целевые вопросы, чтобы получить ответы на вопросы о последних событиях» ,
) ,
Инструмент (
имя '=' 'Калькулятор' ,
функция '=' llm_math_chain. бегать ,
описание '=' «полезно для ответа/решения математических задач» ,
) ,
Инструмент (
имя '=' «ФооБар-ДБ» ,
функция '=' db_chain. бегать ,
описание '=' «полезно для ответов на вопросы о FooBar, и ввод должен быть в форме вопроса, содержащего полный контекст» ,
) ,
]

лм переменная содержит конфигурации языковой модели с помощью метода ChatOpenAI() с именем модели.
Поиск Переменная содержит метод SerpAPIWrapper() для создания инструментов для агента.
Постройте llm_math_chain чтобы получить ответы, относящиеся к предметной области «Математика», с помощью метода LLMMathChain().
Переменная db содержит путь к файлу, содержащему содержимое базы данных. Пользователю необходимо изменить только последнюю часть, которая «содержание/Chinook.db» пути, сохраняя «sqlite:///../../../../../» одинаковый.
Постройте еще одну цепочку ответов на запросы из базы данных, используя метод db_chain переменная.
Настройте такие инструменты, как поиск , калькулятор , и FooBar-DB для поиска ответа, ответа на математические вопросы и запросов из базы данных соответственно:

Шаг 7: Добавление памяти

После настройки функций OpenAI просто создайте и добавьте память агенту:

из Лангчейна. подсказки Импортировать СообщенияЗаполнитель
из Лангчейна. Память Импортировать РазговорБуферПамять

агент_kwargs '=' {
'extra_prompt_messages' : [ СообщенияЗаполнитель ( имя_переменной '=' 'Память' ) ] ,
}
Память '=' РазговорБуферПамять ( ключ_памяти '=' 'Память' , return_messages '=' Истинный )

Шаг 8. Инициализация агента

Последним компонентом, который необходимо создать и инициализировать, является агент, содержащий все такие компоненты, как лм , инструмент , OPENAI_FUNCTIONS и другие, которые будут использоваться в этом процессе:

агент '=' инициализировать_агент (
инструменты ,
лм ,
агент '=' Тип Агента. OPENAI_FUNCTIONS ,
подробный '=' Истинный ,
агент_kwargs '=' агент_kwargs ,
Память '=' Память ,
)

Шаг 9. Тестирование агента

Наконец, протестируйте агента, запустив чат с помощью команды « привет ' сообщение:

агент. бегать ( 'привет' )

Добавьте в память некоторую информацию, запустив с ней агент:

агент. бегать ( «Меня зовут Джон Сноу» )

Теперь проверьте память, задав вопрос о предыдущем чате:

агент. бегать ( 'Как меня зовут' )

Агент ответил именем, полученным из памяти, поэтому память успешно работает с агентом:

На данный момент это все.

Заключение

Чтобы добавить память агенту функций OpenAI в LangChain, установите модули, чтобы получить зависимости для импорта библиотек. После этого просто создайте базу данных и загрузите ее в блокнот Python, чтобы ее можно было использовать с моделью. Настройте модель, инструменты, цепочки и базу данных перед их добавлением в агент и инициализируйте его. Прежде чем тестировать память, создайте ее с помощью ConversationalBufferMemory() и добавьте ее в агент перед тестированием. В этом руководстве подробно описано, как добавить память в агент функций OpenAI в LangChain.

Как добавить память в агент функций OpenAI в LangChain?

Краткое описание