Contorno rapido
Questo post dimostrerà quanto segue:
- Come accedere ai passaggi intermedi di un agente in LangChain
- Installazione di framework
- Impostazione dell'ambiente OpenAI
- Importazione di librerie
- Costruire LLM e agente
- Utilizzo dell'agente
- Metodo 1: tipo di restituzione predefinito per accedere ai passaggi intermedi
- Metodo 2: utilizzo dei “dump” per accedere ai passaggi intermedi
- Conclusione
Come accedere ai passaggi intermedi di un agente in LangChain?
Per costruire l'agente in LangChain, l'utente deve configurare i suoi strumenti e la struttura del modello per ottenere il numero di passaggi coinvolti nel modello. L'agente è responsabile dell'automazione dei passaggi intermedi come pensieri, azioni, osservazioni, ecc. Per sapere come accedere ai passaggi intermedi di un agente nella LangChain, segui semplicemente i passaggi elencati:
Passaggio 1: installazione dei framework
Prima di tutto è sufficiente installare le dipendenze di LangChain eseguendo il seguente codice nel Python Notebook:
pip installa langchain_experimental
Installa il modulo OpenAI per ottenere le sue dipendenze utilizzando il file pip comando e usali per costruire il modello linguistico:
pip installa openai
Passaggio 2: impostazione dell'ambiente OpenAI
Una volta installati i moduli, configurare il file Ambiente OpenAI utilizzando la chiave API generata dal proprio account:
importare Voi
importare getpass
Voi. circa [ 'OPENAI_API_KEY' ] = getpass. getpass ( 'Chiave API OpenAI:' )
Passaggio 3: importazione delle librerie
Ora che abbiamo installato le dipendenze, usale per importare le librerie da LangChain:
da langchain. agenti importare carica_strumentida langchain. agenti importare inizializza_agente
da langchain. agenti importare Tipo agente
da langchain. llms importare OpenAI
Passaggio 4: creazione di LLM e agente
Una volta importate le librerie, è il momento di utilizzarle per creare il modello linguistico e gli strumenti per l'agente. Definire la variabile llm e assegnarla con il metodo OpenAI() contenente gli argomenti temperature e model_name. IL ' utensili La variabile ' contiene il metodo load_tools() con gli strumenti SerpAPi e llm-math e il modello del linguaggio nel suo argomento:
llm = OpenAI ( temperatura = 0 , nome del modello = 'testo-davinci-002' )utensili = carica_strumenti ( [ 'serpapi' , 'llm-matematica' ] , llm = llm )
Una volta configurati il modello linguistico e gli strumenti, è sufficiente progettare l'agente per eseguire i passaggi intermedi utilizzando gli strumenti nel modello linguistico:
agente = inizializza_agente (utensili ,
llm ,
agente = Tipo agente. ZERO_SHOT_REACT_DESCRIPTION ,
prolisso = VERO ,
ritorno_passi_intermedi = VERO ,
)
Passaggio 5: utilizzo dell'agente
Ora, metti alla prova l'agente ponendo una domanda nell'input del metodo agent() ed eseguendolo:
risposta = agente ({
'ingresso' : 'Chi è la fidanzata di Leo DiCaprio e qual è la loro differenza di età'
}
)
La modella ha lavorato in modo efficiente per ottenere il nome della fidanzata di Leo DiCaprio, la sua età, l'età di Leo DiCaprio e la differenza tra loro. La seguente schermata mostra diverse domande e risposte cercate dall'agente per arrivare alla risposta finale:
Lo screenshot sopra non mostra il funzionamento dell'agente e come arrivare a quella fase per trovare tutte le risposte. Passiamo alla sezione successiva per trovare i passaggi:
Metodo 1: tipo di restituzione predefinito per accedere ai passaggi intermedi
Il primo metodo per accedere al passaggio intermedio è utilizzare il tipo di ritorno predefinito offerto da LangChain utilizzando il seguente codice:
stampa ( risposta [ 'passi_intermedi' ] )La seguente GIF mostra i passaggi intermedi in un'unica riga, il che non è del tutto positivo per quanto riguarda l'aspetto della leggibilità:
Metodo 2: utilizzo dei “dump” per accedere ai passaggi intermedi
Il metodo successivo spiega un altro modo per ottenere i passaggi intermedi utilizzando la libreria dump del framework LangChain. Utilizza il metodo dumps() con l'argomento Pretty per rendere l'output più strutturato e facile da leggere:
da langchain. carico . scarico importare discarichestampa ( discariche ( risposta [ 'passi_intermedi' ] , bello = VERO ) )
Ora abbiamo l'output in una forma più strutturata che è facilmente leggibile dall'utente. È inoltre suddiviso in più sezioni per avere più senso e ciascuna sezione contiene i passaggi per trovare le risposte alle domande:
Si tratta di accedere ai passaggi intermedi di un agente in LangChain.
Conclusione
Per accedere ai passaggi intermedi di un agente in LangChain, installa i moduli per importare librerie per costruire modelli linguistici. Successivamente, configura gli strumenti per inizializzare l'agente utilizzando gli strumenti, llm e il tipo di agente in grado di rispondere alle domande. Una volta configurato l'agente, testarlo per ottenere le risposte e quindi utilizzare il tipo predefinito o la libreria dump per accedere ai passaggi intermedi. Questa guida ha approfondito il processo di accesso ai passaggi intermedi di un agente in LangChain.