Come aggiungere memoria all'agente delle funzioni OpenAI in LangChain?

OpenAI è un'organizzazione di intelligenza artificiale (AI) fondata nel 2015 e all'inizio era un'organizzazione senza scopo di lucro. Microsoft ha investito molte fortune dal 2020 poiché l’elaborazione del linguaggio naturale (NLP) con l’intelligenza artificiale è in forte espansione con chatbot e modelli linguistici.

La creazione di agenti OpenAI consente agli sviluppatori di ottenere risultati più leggibili e mirati da Internet. Aggiungere memoria agli agenti consente loro di comprendere meglio il contesto della chat e di archiviare nella loro memoria anche le conversazioni precedenti. Per apprendere il processo di aggiunta di memoria all'agente delle funzioni OpenAI in LangChain, è sufficiente seguire i seguenti passaggi:

Passaggio 1: installazione dei framework

Prima di tutto, installa le dipendenze LangChain dal file “langchain-sperimentale” framework utilizzando il seguente codice:

pip installa langchain - sperimentale

Installa il “risultati-ricerca-google” modulo per ottenere i risultati della ricerca dal server di Google:

pip installa google - ricerca - risultati

Inoltre, installa il modulo OpenAI che può essere utilizzato per creare i modelli linguistici in LangChain:

pip installa openai

Passaggio 2: configurazione degli ambienti

Dopo aver ottenuto i moduli, configura gli ambienti utilizzando le chiavi API dal file OpenAI E SerpAPi conti:

importare Voi
importare getpass

Voi. circa [ 'OPENAI_API_KEY' ] = getpass. getpass ( 'Chiave API OpenAI:' )
Voi. circa [ 'SERPAPI_API_KEY' ] = getpass. getpass ( 'Chiave API Serpapi:' )

Esegui il codice sopra per inserire le chiavi API per accedere a entrambi gli ambienti e premi Invio per confermare:

Passaggio 3: importazione delle librerie

Ora che la configurazione è completa, utilizza le dipendenze installate da LangChain per importare le librerie richieste per costruire la memoria e gli agenti:

da langchain. Catene importare LLMMathChain
da langchain. llms importare OpenAI
#ottieni la libreria per effettuare ricerche da Google su Internet
da langchain. utilità importare SerpAPIWrapper
da langchain. utilità importare SQLDatabase
da langchain_experimental. mq importare SQLDatabaseChain
#ottieni la libreria per creare strumenti per inizializzare l'agente
da langchain. agenti importare Tipo agente , Attrezzo , inizializza_agente
da langchain. chat_models importare ChatOpenAI

Passaggio 4: creazione del database

Per procedere con questa guida, dobbiamo creare il database e connetterci all'agente per estrarne le risposte. Per creare il database, è necessario scaricare SQLite utilizzando questo guida e conferma l'installazione utilizzando il seguente comando:

sqlite3

Eseguendo il comando precedente nel file Terminale Windows visualizza la versione installata di SQLite (3.43.2):

Successivamente, vai semplicemente alla directory del tuo computer in cui verrà creato e archiviato il database:

cdDesktop
cd mydb
sqlite3 Chinook. db

Da qui l'utente può semplicemente scaricare il contenuto del database collegamento nella directory ed eseguire il comando seguente per creare il database:

. Leggere Chinook_Sqlite. mq
SELEZIONARE * DAL LIMITE dell'artista 10 ;

Il database è stato creato con successo e l'utente può cercare dati al suo interno utilizzando diverse query:

Passaggio 5: caricamento del database

Una volta creato correttamente il database, caricare il file “.db” file in Google Collaboratory utilizzando il seguente codice:

da Google. ET AL importare File
caricato = File. caricamento ( )

Scegli il file dal sistema locale facendo clic su 'Scegliere i file' pulsante dopo aver eseguito il codice sopra:

Una volta caricato il file, copia semplicemente il percorso del file che verrà utilizzato nel passaggio successivo:

Passaggio 6: configurazione del modello linguistico

Costruisci il modello linguistico, le catene, gli strumenti e le catene utilizzando il seguente codice:

llm = ChatOpenAI ( temperatura = 0 , modello = 'gpt-3.5-turbo-0613' )
ricerca = SerpAPIWrapper ( )
llm_math_chain = LLMMathChain. da_llm ( llm = llm , prolisso = VERO )
db = SQLDatabase. da_uri ( 'sqlite:///../../../../../content/Chinook.db' )
db_chain = SQLDatabaseChain. da_llm ( llm , db , prolisso = VERO )
utensili = [
Attrezzo (
nome = 'Ricerca' ,
funz = ricerca. correre ,
descrizione = 'Poni domande mirate per ottenere risposte alle domande sugli affari recenti' ,
) ,
Attrezzo (
nome = 'Calcolatrice' ,
funz = llm_math_chain. correre ,
descrizione = 'utile per rispondere/risolvere problemi matematici' ,
) ,
Attrezzo (
nome = 'FooBar-DB' ,
funz = db_chain. correre ,
descrizione = 'utile per rispondere a domande su FooBar e l'input dovrebbe essere sotto forma di domanda contenente il contesto completo' ,
) ,
]

IL llm La variabile contiene le configurazioni del modello linguistico utilizzando il metodo ChatOpenAI() con il nome del modello.
La ricerca La variabile contiene il metodo SerpAPIWrapper() per creare gli strumenti per l'agente.
Costruisci il llm_math_chain per ottenere le risposte relative al dominio della Matematica utilizzando il metodo LLMMathChain().
La variabile db contiene il percorso del file che ha il contenuto del database. L'utente deve modificare solo l'ultima parte che è “contenuto/Chinook.db” del percorso mantenendo il “sqlite:///../../../../../” lo stesso.
Costruisci un'altra catena per rispondere alle domande dal database utilizzando il file db_chain variabile.
Configura strumenti come ricerca , calcolatrice , E FooBar-DB rispettivamente per cercare la risposta, rispondere a domande di matematica e query dal database:

Passaggio 7: aggiunta di memoria

Dopo aver configurato le funzioni OpenAI, crea e aggiungi semplicemente la memoria all'agente:

da langchain. richiede importare MessaggiPlaceholder
da langchain. memoria importare Memoria buffer di conversazione

agent_kwargs = {
'messaggi_prompt_extra' : [ MessaggiPlaceholder ( nome_variabile = 'memoria' ) ] ,
}
memoria = Memoria buffer di conversazione ( chiave_memoria = 'memoria' , return_messages = VERO )

Passaggio 8: inizializzazione dell'agente

L'ultimo componente da creare e inizializzare è l'agente, contenente tutti i componenti come llm , attrezzo , OPENAI_FUNCTIONS e altri da utilizzare in questo processo:

agente = inizializza_agente (
utensili ,
llm ,
agente = Tipo agente. OPENAI_FUNCTIONS ,
prolisso = VERO ,
agent_kwargs = agent_kwargs ,
memoria = memoria ,
)

Passaggio 9: test dell'agente

Infine, testa l'agente avviando la chat utilizzando il pulsante ' CIAO ' Messaggio:

agente. correre ( 'CIAO' )

Aggiungi alcune informazioni alla memoria eseguendo l'agente con esso:

agente. correre ( 'il mio nome è John Snow' )

Ora prova la memoria ponendo la domanda sulla chat precedente:

agente. correre ( 'qual è il mio nome' )

L'agente ha risposto con il nome recuperato dalla memoria, quindi la memoria funziona correttamente con l'agente:

È tutto per ora.

Conclusione

Per aggiungere memoria all'agente delle funzioni OpenAI in LangChain, installare i moduli per ottenere le dipendenze per l'importazione delle librerie. Successivamente, crea semplicemente il database e caricalo sul notebook Python in modo che possa essere utilizzato con il modello. Configura il modello, gli strumenti, le catene e il database prima di aggiungerli all'agente e inizializzarlo. Prima di testare la memoria, creala utilizzando ConversationalBufferMemory() e aggiungila all'agente prima di testarla. Questa guida ha spiegato come aggiungere memoria all'agente delle funzioni OpenAI in LangChain.

Come aggiungere memoria all'agente delle funzioni OpenAI in LangChain?

Contorno rapido