L’intelligenza artificiale è una delle tecnologie in più rapida crescita che utilizza algoritmi di apprendimento automatico per addestrare e testare modelli utilizzando enormi quantità di dati. I dati possono essere archiviati in diversi formati ma per realizzare modelli linguistici di grandi dimensioni utilizzando LangChain, il tipo più utilizzato è JSON. I dati di addestramento e test devono essere chiari e completi senza ambiguità affinché il modello possa funzionare in modo efficace.
Questa guida dimostrerà il processo di utilizzo del parser JSON pydantic in LangChain.
Come utilizzare il parser Pydantic (JSON) in LangChain?
I dati JSON contengono il formato testuale dei dati che possono essere raccolti tramite web scraping e molte altre fonti come log, ecc. Per convalidare l'accuratezza dei dati, LangChain utilizza la libreria pydantic di Python per semplificare il processo. Per utilizzare il parser JSON pydantic in LangChain, segui semplicemente questa guida:
Passaggio 1: installare i moduli
Per iniziare con il processo, installa semplicemente il modulo LangChain per utilizzare le sue librerie per utilizzare il parser in LangChain:
pip installare langchain
Ora usa il ' installazione pip 'comando per ottenere il framework OpenAI e utilizzare le sue risorse:
pip installare openai
Dopo aver installato i moduli, è sufficiente connettersi all'ambiente OpenAI fornendo la propria chiave API utilizzando il pulsante ' Voi ' E ' getpass ”biblioteche:
importaciimporta getpass
os.ambiente [ 'OPENAI_API_KEY' ] = getpass.getpass ( 'Chiave API OpenAI:' )
Passaggio 2: importare librerie
Utilizzare il modulo LangChain per importare le librerie necessarie che possono essere utilizzate per creare un modello per il prompt. Il modello per il prompt descrive il metodo per porre domande in linguaggio naturale in modo che il modello possa comprendere il prompt in modo efficace. Inoltre, importa librerie come OpenAI e ChatOpenAI per creare catene utilizzando LLM per creare un chatbot:
dall'importazione langchain.prompts (Modello di richiesta,
ModelloPromptChat,
Modello HumanMessagePrompt,
)
da langchain.llms importa OpenAI
da langchain.chat_models importa ChatOpenAI
Successivamente, importa le librerie pydantic come BaseModel, Field e validator per utilizzare il parser JSON in LangChain:
da langchain.output_parsers importa PydanticOutputParserdall'importazione pydantic BaseModel, Field, validatore
digitando Import List
Passaggio 3: creazione di un modello
Dopo aver ottenuto tutte le librerie per l'utilizzo del parser JSON pydantic, ottieni semplicemente il modello testato pre-progettato con il metodo OpenAI():
nome_modello = 'testo-davinci-003'temperatura = 0,0
modello = OpenAI ( nome del modello =nome_modello, temperatura =temperatura )
Passaggio 4: configurare il modello base dell'attore
Costruisci un altro modello per ottenere risposte relative agli attori come i loro nomi e film chiedendo la filmografia dell'attore:
attore di classe ( Modello base ) :nome: str = Campo ( descrizione = 'Nome dell'attore principale' )
nomi_film: elenco [ stra ] = Campo ( descrizione = 'Film in cui l'attore era protagonista' )
attore_query = 'Voglio vedere la filmografia di qualsiasi attore'
parser = PydanticOutputParser ( pydantic_object =Attore )
prompt = Modello Prompt (
modello = 'Rispondi alla richiesta dell'utente. \N {formato_istruzioni} \N {query} \N ' ,
input_variabili = [ 'interrogazione' ] ,
variabili_parziali = { 'format_istruzioni' : parser.get_format_instructions ( ) } ,
)
Passaggio 5: test del modello base
Ottieni semplicemente l'output utilizzando la funzione parse() con la variabile di output contenente i risultati generati per il prompt:
_input = prompt.format_prompt ( domanda =query_attore )risultato = modello ( _input.a_stringa ( ) )
parser.parse ( produzione )
L'attore di nome ' Tom Hanks ” con l'elenco dei suoi film è stato recuperato utilizzando la funzione pydantic dal modello:
Si tratta di utilizzare il parser JSON pydantic in LangChain.
Conclusione
Per utilizzare il parser JSON pydantic in LangChain, installa semplicemente i moduli LangChain e OpenAI per connetterti alle loro risorse e librerie. Successivamente, importa librerie come OpenAI e pydantic per creare un modello base e verificare i dati sotto forma di JSON. Dopo aver creato il modello di base, esegui la funzione parse() e restituirà le risposte al prompt. Questo post ha dimostrato il processo di utilizzo del parser JSON pydantic in LangChain.