Bu gönderi, çıktı ayrıştırıcı işlevlerinin ve sınıflarının LangChain çerçevesi aracılığıyla kullanılma yöntemini göstermektedir.
LangChain Üzerinden Çıktı Ayrıştırıcı Nasıl Kullanılır?
Çıkış ayrıştırıcıları, modelden yapılandırılmış çıktının alınmasına yardımcı olabilecek çıktılar ve sınıflardır. LangChain'de çıktı ayrıştırıcılarını kullanma sürecini öğrenmek için listelenen adımları uygulamanız yeterlidir:
Adım 1: Modülleri Kurun
İlk olarak, süreci tamamlamak için LangChain modülünü bağımlılıklarıyla birlikte yükleyerek çıktı ayrıştırıcılarını kullanma sürecini başlatın:
pip düzenlemek uzun zincir
Bundan sonra OpenAI ve ChatOpenAI gibi kütüphanelerini kullanmak için OpenAI modülünü yükleyin:
pip düzenlemek açık
Şimdi kurulumu yapın OpenAI ortamı OpenAI hesabındaki API anahtarını kullanarak:
bizi ithal et
getpass'ı içe aktar
işletim sistemi ortamı [ 'OPENAI_API_KEY' ] = getpass.getpass ( 'OpenAI API Anahtarı:' )
2. Adım: Kitaplıkları İçe Aktarın
Bir sonraki adım, çerçevedeki çıktı ayrıştırıcılarını kullanmak için kütüphaneleri LangChain'den içe aktarmaktır:
langchain.prompts'tan HumanMessagePromptTemplate'i içe aktarın
pydantic ithalat alanından
langchain.prompts'tan ChatPromptTemplate'i içe aktarın
langchain.output_parsers'tan PydanticOutputParser'ı içe aktarın
pydantic'ten BaseModel'i içe aktar
pydantic ithalat doğrulayıcısından
langchain.chat_models'den ChatOpenAI'yi içe aktarın
langchain.llms'den OpenAI'yi içe aktarın
içe aktarma listesi yazarak
Adım 3: Veri Yapısını Oluşturma
Çıktının yapısını oluşturmak, Büyük Dil Modellerinde çıktı ayrıştırıcılarının hayati uygulamasıdır. Modellerin veri yapısına geçmeden önce çıktı ayrıştırıcılardan yapılandırılmış çıktı almak için kullandığımız modelin adını tanımlamamız gerekiyor:
sıcaklık = 0,0
model = OpenAI ( model adı =model_adı, sıcaklık =sıcaklık )
Şimdi, modelden şakayı almak amacıyla çıktının yapısını yapılandırmak için BaseModel'i içeren Joke sınıfını kullanın. Bundan sonra kullanıcı, kullanıcıdan daha iyi biçimlendirilmiş bir sorgu/istem koymasını isteyebilecek pydantic sınıfıyla kolayca özel doğrulama mantığı ekleyebilir:
sınıf şakası ( Temel Model ) :kurulum: str = Alan ( Tanım = 'şaka görüntüleme sorgusu' )
can alıcı nokta: str = Alan ( Tanım = 'soruya şakayla yanıt ver' )
Modelin sorguyu doğru bir şekilde anlaması gerektiğinden sorgu için #mantık doğrulaması
@ doğrulayıcı ( 'kurmak' )
def soru_ends_with_question_mark ( cls, alan ) :
eğer alan [ - 1 ] ! = '?' :
ValueError'ı yükselt ( 'Kötü biçimlendirilmiş bir soru!' )
geri dönmek alan
Adım 4: Bilgi İstemi Şablonunu Ayarlama
Parametrelerini içeren PydanticOutputParser() yöntemini içeren ayrıştırıcı değişkenini yapılandırın:
Ayrıştırıcıyı yapılandırdıktan sonra, sorgu/istem yapısıyla birlikte PromptTemplate() yöntemini kullanarak bilgi istemi değişkenini tanımlamanız yeterlidir:
istem = PromptTemplate (şablon = 'Kullanıcı sorusunu yanıtlayın. \N {format_instructions} \N {sorgu} \N ' ,
girdi_değişkenleri = [ 'sorgu' ] ,
kısmi_değişkenler = { 'format_instructions' : parser.get_format_instructions ( ) }
)
Adım 5: Çıkış Ayrıştırıcısını Test Edin
Tüm gereksinimleri yapılandırdıktan sonra, sorgu kullanılarak atanan bir değişken oluşturun ve ardından format_prompt() yöntemini çağırın:
_input = istem.format_prompt ( sorgu =şaka_sorgu )
Şimdi çıktı değişkenini tanımlamak için model() işlevini çağırın:
çıktı = model ( _input.to_string ( ) )Çıkış değişkenini parametre olarak kullanarak parser() yöntemini çağırarak test işlemini tamamlayın:
ayrıştırıcı.ayrıştırma ( çıktı ) 
LangChain'de çıktı ayrıştırıcısını kullanma süreci bu kadar.
Çözüm
Çıktı ayrıştırıcısını LangChain'de kullanmak için modülleri yükleyin ve API anahtarını kullanarak OpenAI ortamını kurun. Bundan sonra modeli tanımlayın ve ardından kullanıcı tarafından sağlanan sorgunun mantıksal doğrulamasıyla çıktının veri yapısını yapılandırın. Veri yapısı yapılandırıldıktan sonra bilgi istemi şablonunu ayarlayın ve ardından modelden sonucu almak için çıktı ayrıştırıcısını test edin. Bu kılavuz, çıktı ayrıştırıcısının LangChain çerçevesinde kullanılma sürecini göstermektedir.