Rychlý přehled
Tento příspěvek bude demonstrovat následující:
- Jak získat přístup k přechodným krokům agenta v LangChain
- Metoda 1: Výchozí typ návratu pro přístup k přechodným krokům
- Metoda 2: Použití „výpisů“ pro přístup k přechodným krokům
- Závěr
Jak získat přístup k přechodným krokům agenta v LangChain?
K sestavení agenta v LangChain musí uživatel nakonfigurovat jeho nástroje a strukturu šablony, aby získal počet kroků zahrnutých v modelu. Agent je zodpovědný za automatizaci mezikroků, jako jsou myšlenky, akce, pozorování atd. Chcete-li se dozvědět, jak získat přístup k mezikrokům agenta v LangChain, jednoduše postupujte podle uvedených kroků:
Krok 1: Instalace frameworků
Nejprve jednoduše nainstalujte závislosti LangChain spuštěním následujícího kódu v Python Notebooku:
pip install langchain_experimental
Nainstalujte modul OpenAI, abyste získali jeho závislosti pomocí pip příkaz a použijte je k vytvoření jazykového modelu:
pip install openai
Krok 2: Nastavení prostředí OpenAI
Jakmile jsou moduly nainstalovány, nastavte Prostředí OpenAI pomocí klíče API vygenerovaného z jeho účtu:
import vy
import getpass
vy. přibližně [ 'OPENAI_API_KEY' ] = getpass. getpass ( 'Klíč OpenAI API:' )
Krok 3: Import knihoven
Nyní, když máme nainstalované závislosti, použijte je k importu knihoven z LangChain:
z langchainu. agenti import load_toolsz langchainu. agenti import inicializovat_agenta
z langchainu. agenti import Typ agenta
z langchainu. llms import OpenAI
Krok 4: Budování LLM a agenta
Jakmile jsou knihovny importovány, je čas je použít k vytvoření jazykového modelu a nástrojů pro agenta. Definujte proměnnou llm a přiřaďte ji metodě OpenAI() obsahující argumenty teplota a název_modelu. ' nástroje ” proměnná obsahuje metodu load_tools() s nástroji SerpAPi a llm-math a jazykový model v argumentu:
llm = OpenAI ( teplota = 0 , jméno modelu = 'text-davinci-002' )nástroje = load_tools ( [ 'serpapi' , 'llm-matematika' ] , llm = llm )
Jakmile jsou jazykový model a nástroje nakonfigurovány, jednoduše navrhněte agenta, aby provedl mezikroky pomocí nástrojů v jazykovém modelu:
činidlo = inicializovat_agenta (nástroje ,
llm ,
činidlo = Typ agenta. ZERO_SHOT_REACT_DESCRIPTION ,
podrobný = Skutečný ,
return_intermediate_steps = Skutečný ,
)
Krok 5: Použití agenta
Nyní otestujte agenta zadáním otázky ve vstupu metody agent() a jejím provedením:
Odezva = činidlo ({
'vstup' : „Kdo je přítelkyně Lea DiCapria a jaký je jejich věkový rozdíl“
}
)
Modelka pracovala efektivně, aby získala jméno přítelkyně Lea DiCapria, její věk, věk Leo DiCapria a rozdíl mezi nimi. Následující snímek obrazovky zobrazuje několik otázek a odpovědí, které agent hledal, aby se dostal ke konečné odpovědi:
Výše uvedený snímek obrazovky nezobrazuje fungování agenta a to, jak se dostane do této fáze, aby našel všechny odpovědi. Přesuňme se do další sekce, kde najdete kroky:
Metoda 1: Výchozí typ návratu pro přístup k přechodným krokům
První metodou pro přístup k mezikroku je použití výchozího typu návratu, který nabízí LangChain pomocí následujícího kódu:
tisk ( Odezva [ 'intermediate_steps' ] )Následující GIF zobrazuje mezikroky na jednom řádku, což není úplně dobré, pokud jde o aspekt čitelnosti:
Metoda 2: Použití „výpisů“ pro přístup k přechodným krokům
Další metoda vysvětluje další způsob, jak získat mezikroky pomocí knihovny výpisů z rámce LangChain. Použijte metodu dumps() s argumentem pretty, aby byl výstup strukturovanější a snáze čitelný:
z langchainu. zatížení . skládka import skládkytisk ( skládky ( Odezva [ 'intermediate_steps' ] , dosti = Skutečný ) )
Nyní máme výstup ve strukturovanější podobě, která je pro uživatele snadno čitelná. Je také rozdělena do více sekcí, aby dávala větší smysl, a každá sekce obsahuje kroky k nalezení odpovědí na otázky:
To je vše o přístupu k mezikrokům agenta v LangChain.
Závěr
Chcete-li získat přístup k mezikrokům agenta v LangChain, nainstalujte moduly pro import knihoven pro vytváření jazykových modelů. Poté nastavte nástroje pro inicializaci agenta pomocí nástrojů, llm a typu agenta, který dokáže odpovědět na otázky. Jakmile je agent nakonfigurován, otestujte jej, abyste získali odpovědi, a poté použijte výchozí knihovnu typů nebo výpisů pro přístup k mezikrokům. Tato příručka podrobně popisuje proces přístupu k mezikrokům agenta v LangChain.