Tato příručka bude ilustrovat proces používání paměti entit v LangChain.
Jak používat paměť entit v LangChain?
Entita se používá k uchování klíčových faktů uložených v paměti k extrakci, když se na to člověk pomocí dotazů/výzev zeptá. Chcete-li se naučit proces používání paměti entit v LangChain, jednoduše navštivte následující průvodce:
Krok 1: Nainstalujte moduly
Nejprve nainstalujte modul LangChain pomocí příkazu pip, abyste získali jeho závislosti:
pip install langchain
Poté nainstalujte modul OpenAI, abyste získali jeho knihovny pro vytváření LLM a chatovacích modelů:
pip install openai
Nastavte prostředí OpenAI pomocí klíče API, který lze extrahovat z účtu OpenAI:
import vy
import getpass
vy . přibližně [ 'OPENAI_API_KEY' ] = getpass . getpass ( 'Klíč OpenAI API:' )
Krok 2: Použití paměti entit
Chcete-li použít paměť entity, importujte požadované knihovny pro sestavení LLM pomocí metody OpenAI():
z langchain. llms import OpenAIz langchain. Paměť import ConversationEntityMemory
llm = OpenAI ( teplota = 0 )
Poté definujte Paměť proměnnou pomocí metody ConversationEntityMemory() k trénování modelu pomocí vstupní a výstupní proměnné:
Paměť = ConversationEntityMemory ( llm = llm )_vstup = { 'vstup' : 'Joe are Root dělali projekt' }
Paměť. load_memory_variables ( _vstup )
Paměť. uložit_kontext (
_vstup ,
{ 'výstup' : 'Skvělé! Co je to za projekt?' }
)
Nyní otestujte paměť pomocí dotazu/výzvy v vstup proměnnou voláním metody load_memory_variables():
Paměť. load_memory_variables ( { 'vstup' : 'kdo je root' } ) 
Nyní uveďte nějaké další informace, aby model mohl přidat několik dalších entit do paměti:
Paměť = ConversationEntityMemory ( llm = llm , návratové_zprávy = Skutečný )_vstup = { 'vstup' : 'Joe are Root dělali projekt' }
Paměť. load_memory_variables ( _vstup )
Paměť. uložit_kontext (
_vstup ,
{ 'výstup' : 'Skvělé! Co je to za projekt' }
)
Spuštěním následujícího kódu získáte výstup pomocí entit, které jsou uloženy v paměti. Je to možné prostřednictvím vstup obsahující výzvu:
Paměť. load_memory_variables ( { 'vstup' : 'kdo je Joe' } ) 
Krok 3: Použití paměti entit v řetězci
Chcete-li po vytvoření řetězce použít paměť entity, jednoduše importujte požadované knihovny pomocí následujícího bloku kódu:
z langchain. řetězy import ConversationChainz langchain. Paměť import ConversationEntityMemory
z langchain. Paměť . výzva import ENTITY_MEMORY_CONVERSATION_TEMPLATE
z pydantický import Základní Model
z psaní na stroji import Seznam , Dict , Žádný
Sestavte model konverzace pomocí metody ConversationChain() s použitím argumentů jako llm:
konverzace = ConversationChain (llm = llm ,
podrobný = Skutečný ,
výzva = ENTITY_MEMORY_CONVERSATION_TEMPLATE ,
Paměť = ConversationEntityMemory ( llm = llm )
)
Zavolejte metodu conversion.predict() se vstupem inicializovaným pomocí výzvy nebo dotazu:
konverzace. předpovědět ( vstup = 'Joe are Root dělali projekt' ) 
Nyní získejte samostatný výstup pro každou entitu popisující informace o ní:
konverzace. Paměť . entity_store . obchod 
Použijte výstup z modelu k zadání vstupu, aby model mohl uložit více informací o těchto entitách:
konverzace. předpovědět ( vstup = 'Snaží se přidat do Langchainu složitější paměťové struktury' ) 
Po zadání informací, které se ukládají do paměti, jednoduše položte otázku a extrahujte konkrétní informace o entitách:
konverzace. předpovědět ( vstup = „Co víš o Joeovi a Rootovi“ ) 
Krok 4: Testování úložiště paměti
Uživatel může přímo prohlížet úložiště paměti a získat informace v nich uložené pomocí následujícího kódu:
z tisk import tisktisk ( konverzace. Paměť . entity_store . obchod )
Poskytněte více informací, které se mají uložit do paměti, protože více informací poskytuje přesnější výsledky:
konverzace. předpovědět ( vstup = 'Root založil firmu s názvem HJRS' ) 
Extrahujte informace z úložiště paměti po přidání dalších informací o entitách:
z tisk import tisktisk ( konverzace. Paměť . entity_store . obchod )
Paměť obsahuje informace o více entitách, jako je HJRS, Joe, LangChain a Root:
Nyní extrahujte informace o konkrétní entitě pomocí dotazu nebo výzvy definované ve vstupní proměnné:
konverzace. předpovědět ( vstup = 'Co víš o Root' ) 
To je vše o použití paměti entit pomocí rámce LangChain.
Závěr
Chcete-li použít paměť entit v LangChain, jednoduše nainstalujte požadované moduly pro import knihoven potřebných k sestavení modelů po nastavení prostředí OpenAI. Poté vytvořte model LLM a uložte entity do paměti poskytnutím informací o entitách. Uživatel může také extrahovat informace pomocí těchto entit a vytvářet tyto paměti v řetězcích s míchanými informacemi o entitách. Tento příspěvek rozvedl proces používání paměti entit v LangChain.