Искусственный интеллект — одна из наиболее быстро развивающихся технологий, использующая алгоритмы машинного обучения для обучения и тестирования моделей с использованием огромных данных. Данные могут храниться в разных форматах, но для создания больших языковых моделей с использованием LangChain наиболее часто используемый тип — JSON. Данные обучения и тестирования должны быть четкими и полными, без каких-либо двусмысленностей, чтобы модель могла работать эффективно.
В этом руководстве будет продемонстрирован процесс использования парсера pydantic JSON в LangChain.
Как использовать парсер Pydantic (JSON) в LangChain?
Данные JSON содержат текстовый формат данных, которые можно собрать с помощью веб-скрапинга и многих других источников, таких как журналы и т. д. Для проверки точности данных LangChain использует библиотеку pydantic из Python, чтобы упростить процесс. Чтобы использовать парсер pydantic JSON в LangChain, просто прочтите это руководство:
Шаг 1. Установите модули
Чтобы начать процесс, просто установите модуль LangChain, чтобы использовать его библиотеки для использования парсера в LangChain:
пункт установить Лангчейн
Теперь используйте « установка по пунктам ” для получения платформы OpenAI и использования ее ресурсов:
пункт установить опенай
После установки модулей просто подключитесь к среде OpenAI, предоставив ее ключ API, используя команду « ты ' и ' получить пропуск » библиотеки:
импортируйте насимпортировать getpass
os.environ [ 'OPENAI_API_KEY' ] = getpass.getpass ( «Ключ API OpenAI:» )
Шаг 2. Импортируйте библиотеки
Используйте модуль LangChain для импорта необходимых библиотек, которые можно использовать для создания шаблона приглашения. Шаблон подсказки описывает метод задания вопросов на естественном языке, чтобы модель могла эффективно понять подсказку. Кроме того, импортируйте библиотеки, такие как OpenAI и ChatOpenAI, для создания цепочек с использованием LLM для создания чат-бота:
из импорта langchain.prompts (Шаблон подсказки,
Шаблон запроса чата,
Шаблон HumanMessagePrompt,
)
из langchain.llms импортировать OpenAI
из langchain.chat_models импортировать ChatOpenAI
После этого импортируйте библиотеки pydantic, такие как BaseModel, Field и validator, чтобы использовать парсер JSON в LangChain:
из langchain.output_parsers импортировать PydanticOutputParserиз pydantic import BaseModel, Field, validator
от ввода списка импорта
Шаг 3: Построение модели
После получения всех библиотек для использования парсера pydantic JSON просто получите заранее разработанную протестированную модель с помощью метода OpenAI():
имя_модели = 'текст-давинчи-003'температура = 0,0
модель = OpenAI ( название модели =имя_модели, температура = температура )
Шаг 4. Настройте базовую модель актера
Создайте еще одну модель, чтобы получить ответы, связанные с актерами, такими как их имена и фильмы, запросив фильмографию актера:
классный актер ( Базовая модель ) :имя: str = Поле ( описание '=' «Имя главного актера» )
Film_names: Список [ ул. ] = Поле ( описание '=' «Фильмы, в которых снимался актер» )
актер_запрос = «Хочу посмотреть фильмографию любого актера»
синтаксический анализатор = PydanticOutputParser ( pydantic_object = Актер )
подсказка = PromptTemplate (
шаблон '=' «Ответьте на запрос пользователя. \п {format_instructions} \п {запрос} \п ' ,
входные_переменные '=' [ 'запрос' ] ,
частичные_переменные '=' { 'format_instructions' : parser.get_format_instructions ( ) } ,
)
Шаг 5. Тестирование базовой модели
Просто получите выходные данные с помощью функции parse() с выходной переменной, содержащей результаты, сгенерированные для приглашения:
_input = Prompt.format_prompt ( запрос =actor_query )выход = модель ( _input.to_string ( ) )
parser.parse ( выход )
Актер по имени « Том Хэнкс », список его фильмов был получен с помощью функции pydantic из модели:
Это все, что касается использования парсера pydantic JSON в LangChain.
Заключение
Чтобы использовать парсер pydantic JSON в LangChain, просто установите модули LangChain и OpenAI для подключения к их ресурсам и библиотекам. После этого импортируйте такие библиотеки, как OpenAI и pydantic, чтобы построить базовую модель и проверить данные в форме JSON. После построения базовой модели выполните функцию parse(), и она вернет ответы на приглашение. В этом посте продемонстрирован процесс использования парсера pydantic JSON в LangChain.