लैंगचेन में एक एजेंट का उपयोग करके रिएक्ट लॉजिक को कैसे कार्यान्वित करें?

“ प्रतिक्रिया 'भाषा मॉडल के प्रदर्शन को बढ़ाने के लिए कारण और कार्रवाई चरणों का संयोजन है' दोबारा 'कारण को संदर्भित करता है और' कार्य कार्रवाई के लिए. टेक्स्ट को समझने और उत्पन्न करने के लिए एलएलएम या चैटबॉट बनाने के लिए रिएक्ट लॉजिक को अक्सर सबसे अधिक अनुकूलित माना जाता है। एजेंट निर्णय लेने वाला होता है जो निर्णय लेता है कि कौन से कार्य करने हैं और किस क्रम में किए जाएंगे।

लैंगचेन में एक एजेंट का उपयोग करके रिएक्ट लॉजिक को लागू करने की प्रक्रिया सीखने के लिए, बस निम्नलिखित गाइड को पढ़ें:

चरण 1: फ्रेमवर्क स्थापित करना

सबसे पहले, रिएक्ट लॉजिक को लागू करने की प्रक्रिया शुरू करने के लिए लैंगचेन स्थापित करें:

पाइप लैंगचैन स्थापित करें

एजेंट के निर्माण के लिए निर्भरता प्राप्त करने के लिए Google-खोज-परिणाम मॉड्यूल स्थापित करें जो Google से खोज परिणाम प्राप्त कर सकता है:

पिप इंस्टाल ओपनाई गूगल-सर्च-परिणाम

उसके बाद, OpenAI मॉड्यूल स्थापित करें जिसका उपयोग ReAct तर्क को लागू करने के लिए बड़े भाषा मॉडल या LLM को लोड करने के लिए किया जा सकता है:

पिप इंस्टाल ओपनाई

सभी आवश्यक मॉड्यूल प्राप्त करने के बाद, बस सेट अप करें ओपनएआई वातावरण एलएलएम के निर्माण के लिए और सर्पएपीआई वातावरण मॉडल में एजेंट का उपयोग करने के लिए:

आयात आप

आयात पास ले लो

आप . लगभग [ 'OPENAI_API_KEY' ] = पास ले लो . पास ले लो ( 'ओपनएआई एपीआई कुंजी:' )

आप . लगभग [ 'SERPAPI_API_KEY' ] = पास ले लो . पास ले लो ( 'सेरपापी एपीआई कुंजी:' )

चरण 2: भाषा मॉडल लोड हो रहा है

अगला चरण लैंगचेन फ्रेमवर्क का उपयोग करके आवश्यक पुस्तकालयों को आयात करके भाषा मॉडल लोड करना है:

से लैंगचैन. एजेंट आयात लोड_टूल्स

से लैंगचैन. एजेंट आयात इनिशियलाइज़_एजेंट

से लैंगचैन. एजेंट आयात एजेंट प्रकार

से लैंगचैन. एलएमएस आयात ओपनएआई

भाषा मॉडल (एलएलएम) बनाने के लिए ओपनएआई() विधि का उपयोग करें और फिर सर्पएपीआई का उपयोग करके एजेंटों के लिए टूल कॉन्फ़िगर करें:

एलएलएम = ओपनएआई ( तापमान = 0 )

औजार = लोड_टूल्स ( [ 'सर्पापी' , 'एलएम-गणित' ] , एलएलएम = एलएलएम )

विधि 1: लैंडचेन अभिव्यक्ति भाषा का उपयोग करना

एलसीईएल लैंगचेन में भाषा मॉडल बनाते समय श्रृंखलाओं को एक साथ एकीकृत करने या बनाने की प्रक्रिया है। लैंगचेन में एजेंटों के साथ रिएक्ट लॉजिक के निर्माण और उपयोग के लिए इसकी निर्भरता प्राप्त करने के लिए लैंगचेनहब को स्थापित करके प्रक्रिया शुरू करें:

पाइप लैंगचेनहब स्थापित करें

उस मॉडल को बनाने के लिए जो ReAct मॉडल का उपयोग कर सकता है, लैंगचेन से ReActSingleInputOutputParser जैसी लाइब्रेरी आयात करना:

से लैंगचैन. औजार . प्रदान करना आयात रेंडर_टेक्स्ट_विवरण

से लैंगचैन. एजेंट . आउटपुट_पार्सर्स आयात ReActSingleInputOutputParser

से लैंगचैन. एजेंट . प्रारूप_स्क्रैचपैड आयात प्रारूप_लॉग_टू_स्ट्र

से लैंगचैन आयात केंद्र

पुल() विधि का उपयोग करके रिएक्ट लॉजिक को डिजाइन करने के लिए भाषा मॉडल को लोड करें और इसे प्रॉम्प्ट वेरिएबल में संग्रहीत करें। कुछ उपकरणों को परिभाषित करें जिनका उपयोग किसी एजेंट के साथ काम करने के लिए लोड किए गए डेटासेट पर तर्क को लागू करने के लिए किया जा सकता है:

तत्पर = केंद्र। खींचो ( 'hwchase17/प्रतिक्रिया' )

तत्पर = तत्पर। आंशिक (

औजार = रेंडर_टेक्स्ट_विवरण ( औजार ) ,

टूल_नाम = ', ' . जोड़ना ( [ टी। नाम के लिए टी में औजार ] ) ,

)

बिल्डिंग एजेंट

अब, एजेंट और उसके टूल को इस गाइड के चरण 2 में लोड किए गए भाषा मॉडल के साथ एकीकृत करके कॉन्फ़िगर करें:

एलएलएम_विथ_स्टॉप = एलएलएम बाँध ( रुकना = [ ' \एन अवलोकन' ] )

एजेंट को कॉन्फ़िगर करने के लिए तर्क और उपकरण प्रदान करने के लिए एक एजेंट वैरिएबल को परिभाषित करें जो इसके कामकाज को समझाता है। पहले से कॉन्फ़िगर किए गए भाग जैसे llm_with_stop और ReActSingleInputOutputParser() विधि को एजेंट के साथ एकीकृत किया जा रहा है:

प्रतिनिधि = {

'इनपुट' : लैम्ब्डा एक्स: एक्स [ 'इनपुट' ] ,

'एजेंट_स्क्रैचपैड' : लैम्ब्डा एक्स: प्रारूप_लॉग_टू_स्ट्र ( एक्स [ 'मध्यवर्ती चरण' ] )

} | शीघ्र | एलएलएम_विथ_स्टॉप | ReActSingleInputOutputParser ( )

AgentExecutor लाइब्रेरी प्राप्त करें और अधिक पठनीय आउटपुट प्राप्त करने के लिए एजेंट, टूल और वर्बोज़ जैसे तर्कों का उपयोग करके इसकी विधि को कॉन्फ़िगर करें:

से लैंगचैन. एजेंट आयात एजेंटनिष्पादक

एजेंट_निष्पादक = एजेंटनिष्पादक ( प्रतिनिधि = प्रतिनिधि , औजार = औजार , वाचाल = सत्य )

इनपुट के रूप में स्ट्रिंग क्वेरी के साथ एजेंट_निष्पादक() विधि को लागू करें जो एजेंट को आउटपुट निकालने के लिए ट्रिगर करेगा:

एजेंट_निष्पादक. आह्वान ( { 'इनपुट' : 'लियो डिकैप्रियो की प्रेमिका कौन है' } )

उत्पादन

निम्नलिखित स्क्रीनशॉट प्रदर्शित करता है कि एजेंट ने रिएक्ट तर्क का उपयोग करके जानकारी निकाली है और प्राकृतिक भाषा में पाठ तैयार किया है:

विधि 2: ZeroShotReactAgent का उपयोग करना

Agent_executor वेरिएबल को कॉन्फ़िगर करते समय ReAct तर्क को ZeroShotReactAgent जैसे किसी अन्य एजेंट का उपयोग करके भी कार्यान्वित किया जा सकता है। उसके बाद, एजेंट को आमंत्रित करने के लिए इनपुट के रूप में प्रश्न के साथ एजेंट_निष्पादक वैरिएबल को कॉल करें:

एजेंट_निष्पादक = इनिशियलाइज़_एजेंट ( औजार , एलएलएम , प्रतिनिधि = एजेंट प्रकार. शून्य_SHOT_REACT_DESCRIPTION , वाचाल = सत्य )

एजेंट_निष्पादक. आह्वान ( { 'इनपुट' : 'लियो डिकैप्रियो की गर्लफ्रेंड की उम्र 0.21 पावर तक क्या है' } )

उत्पादन

एजेंट ने एजेंट_निष्पादक को लागू करते समय पूछे गए इनपुट के आधार पर जानकारी निकाली है:

विधि 3: चैट मॉडल का उपयोग करना

एक अन्य प्रक्रिया जिसका उपयोग ChatOpenAI लाइब्रेरी आयात करने के बाद चैट मॉडल का उपयोग करके ReAct तर्क को लागू करने के लिए किया जा सकता है:

से लैंगचैन. चैट_मॉडल आयात चैटओपनएआई

0 के बराबर तापमान के मान के साथ ChatOpenAI() विधि का उपयोग करके चैट मॉडल बनाएं जो मॉडल के परिणामों में यादृच्छिकता को नियंत्रित कर सकता है:

चैट_मॉडल = चैटओपनएआई ( तापमान = 0 )

उस मॉडल को लोड करें जिस पर उपयोगकर्ता रिएक्ट लॉजिक को प्रॉम्प्ट वेरिएबल में संग्रहीत करने के लिए कार्यान्वित कर सकता है और प्रक्रिया में उपयोग किए जाने वाले टूल को कॉन्फ़िगर कर सकता है:

तत्पर = केंद्र। खींचो ( 'hwchase17/प्रतिक्रिया-json' )

तत्पर = तत्पर। आंशिक (

औजार = रेंडर_टेक्स्ट_विवरण ( औजार ) ,

टूल_नाम = ', ' . जोड़ना ( [ टी। नाम के लिए टी में औजार ] ) ,

)

एजेंट का निर्माण

जब मॉडल टेक्स्ट जेनरेट करना बंद कर दे तो टिप्पणियों या हाल के संदेशों को संग्रहीत करने के लिए चैट मॉडल का उपयोग करें:

चैट_मॉडल_विथ_स्टॉप = चैट_मॉडल. बाँध ( रुकना = [ ' \एन अवलोकन' ] )

ReAct तर्क को लागू करने और JSON प्रारूप में परिणाम उत्पन्न करने के लिए ReActJsonSingleInputOutputParser लाइब्रेरी प्राप्त करें:

से लैंगचैन. एजेंट . आउटपुट_पार्सर्स आयात ReActJsonSingleInputOutputParser

एजेंट को कॉल करके परिणाम उत्पन्न करने के लिए चैट_मॉडल वेरिएबल और विधि का उपयोग करके एजेंट बनाएं और कॉन्फ़िगर करें:

प्रतिनिधि = {

'इनपुट' : लैम्ब्डा एक्स: एक्स [ 'इनपुट' ] ,

'एजेंट_स्क्रैचपैड' : लैम्ब्डा एक्स: प्रारूप_लॉग_टू_स्ट्र ( एक्स [ 'मध्यवर्ती चरण' ] )

} | शीघ्र | चैट_मॉडल_विथ_स्टॉप | ReActJsonSingleInputOutputParser ( )

एजेंट_निष्पादक को कॉन्फ़िगर करें और इनपुट चर में प्रदान की गई क्वेरी के आधार पर परिणाम प्राप्त करने के लिए इसे चलाएं:

एजेंट_निष्पादक = एजेंटनिष्पादक ( प्रतिनिधि = प्रतिनिधि , औजार = औजार , वाचाल = सत्य )

एजेंट_निष्पादक. आह्वान ( { 'इनपुट' : 'लियो डिकैप्रियो की गर्लफ्रेंड की उम्र 0.21 पावर तक क्या है' } )

उत्पादन

एजेंट ने आउटपुट निकाला है जैसा कि निम्नलिखित स्क्रीनशॉट में दिखाया गया है:

विधि 4: ChatZeroShotReactAgent का उपयोग करना

एजेंट के मूल्य को बदलने का उपयोग लैंगचेन ढांचे के साथ रिएक्ट तर्क को लागू करने के लिए भी किया जा सकता है:

प्रतिनिधि = इनिशियलाइज़_एजेंट ( औजार , चैट_मॉडल , प्रतिनिधि = एजेंट प्रकार. CHAT_ZERO_SHOT_REACT_DESCRIPTION , वाचाल = सत्य )

प्रतिनिधि। दौड़ना ( 'लियो डिकैप्रियो की गर्लफ्रेंड की उम्र 0.21 पावर तक क्या है' )

उत्पादन

आउटपुट संरचना में जानकारी निकालने के लिए उपयोग किए गए टोकन और मॉडल से एजेंट के कामकाज के बारे में विस्तृत जानकारी शामिल है:

यह लैंगचेन में एक एजेंट का उपयोग करके रिएक्ट तर्क को लागू करने की प्रक्रिया के बारे में है।

निष्कर्ष

लैंगचेन फ्रेमवर्क का उपयोग करके एक एजेंट के साथ रिएक्ट तर्क को लागू करने के लिए, एजेंट को कॉन्फ़िगर करने के लिए Google-search-results जैसे मॉड्यूल स्थापित करें। उसके बाद, मॉडल का उपयोग शुरू करने के लिए अपने खातों से ओपनएआई और सर्पएपीआई क्रेडेंशियल्स का उपयोग करके पर्यावरण सेट करें। ReAct तर्क को LCEL और लैंगचेन मॉड्यूल द्वारा पेश किए गए कई एजेंटों के साथ चैट मॉडल का उपयोग करके कार्यान्वित किया जा सकता है। इस गाइड में लैंगचेन में एजेंट का उपयोग करके रिएक्ट लॉजिक को लागू करने के बारे में विस्तार से बताया गया है।

लैंगचेन में एक एजेंट का उपयोग करके रिएक्ट लॉजिक को कैसे कार्यान्वित करें?

त्वरित रूपरेखा