LangChain هو الإطار الذي يمكن استخدامه لاستيراد المكتبات والتبعيات لبناء نماذج لغة كبيرة أو LLMs. تستخدم نماذج اللغة الذاكرة لتخزين البيانات أو التاريخ في قاعدة البيانات كملاحظة للحصول على سياق المحادثة. تم تكوين الذاكرة لتخزين أحدث الرسائل حتى يتمكن النموذج من فهم المطالبات الغامضة التي يقدمها المستخدم.
تشرح هذه المدونة عملية استخدام الذاكرة في LLMChain من خلال LangChain.
كيفية استخدام الذاكرة في LLMChain من خلال LangChain؟
لإضافة ذاكرة واستخدامها في LLMChain من خلال LangChain، يمكن استخدام مكتبة ConversationBufferMemory عن طريق استيرادها من LangChain.
للتعرف على عملية استخدام الذاكرة في LLMChain من خلال LangChain قم بالذهاب إلى الدليل التالي:
الخطوة 1: تثبيت الوحدات
أولاً، ابدأ عملية استخدام الذاكرة عن طريق تثبيت LangChain باستخدام الأمر pip:
نقطة تثبيت لانجشين
قم بتثبيت وحدات OpenAI للحصول على تبعياتها أو مكتباتها لإنشاء LLMs أو نماذج الدردشة:
نقطة تثبيت openai
إعداد البيئة لـ OpenAI باستخدام مفتاح API الخاص به عن طريق استيراد مكتبات نظام التشغيل وgetpass:
استيراد لنااستيراد getpass
os.environ['OPENAI_API_KEY'] = getpass.getpass('OpenAI API Key:')
الخطوة 2: استيراد المكتبات
بعد إعداد البيئة، ما عليك سوى استيراد المكتبات مثل ConversationBufferMemory من LangChain:
من langchain.chains قم باستيراد LLMChainمن langchain.llms قم باستيراد OpenAI
من langchain.memory قم باستيراد ConversationBufferMemory
من langchain.prompts قم باستيراد PromptTemplate
قم بتكوين القالب للموجه باستخدام متغيرات مثل 'input' للحصول على الاستعلام من المستخدم و'hist' لتخزين البيانات في الذاكرة المؤقتة:
template = '''أنت عارضة أزياء تجري محادثة مع إنسان{اصمت}
إنسان: {إدخال}
الشات بوت:'''
موجه = قالب موجه (
input_variables=['hist', 'input'], template=template
)
الذاكرة = ConversationBufferMemory(memory_key='hist')
الخطوة 3: تكوين LLM
بمجرد إنشاء قالب الاستعلام، قم بتكوين طريقة LLMChain() باستخدام معلمات متعددة:
llm = OpenAI()llm_chain = LLMChain(
ماجستير في القانون = ماجستير في القانون،
موجه = موجه،
مطول = صحيح،
الذاكرة = الذاكرة،
)
الخطوة 4: اختبار LLMChain
بعد ذلك، قم باختبار LLMChain باستخدام متغير الإدخال للحصول على المطالبة من المستخدم في النموذج النصي:
llm_chain.predict(input='مرحبا يا صديقي') 
استخدم إدخالاً آخر للحصول على البيانات المخزنة في الذاكرة لاستخراج المخرجات باستخدام السياق:
llm_chain.predict(input='جيد! أنا جيد - كيف حالك') 
الخطوة 5: إضافة الذاكرة إلى نموذج الدردشة
يمكن إضافة الذاكرة إلى LLMChain المستند إلى نموذج الدردشة عن طريق استيراد المكتبات:
من langchain.chat_models قم باستيراد ChatOpenAIمن langchain.schema قم باستيراد SystemMessage
من langchain.prompts قم باستيراد ChatPromptTemplate وHumanMessagePromptTemplate وMessagesPlaceholder
قم بتكوين قالب المطالبة باستخدام ConversationBufferMemory() باستخدام متغيرات مختلفة لتعيين الإدخال من المستخدم:
موجه = ChatPromptTemplate.from_messages([SystemMessage(content='أنت نموذج تتحدث مع إنسان'),
الرسائل مكان العنصر (متغير_اسم = 'هيست')،
HumanMessagePromptTemplate.from_template('{input}'),
])
الذاكرة = ConversationBufferMemory (memory_key = 'hist'، return_messages = True)
الخطوة 6: تكوين LLMChain
قم بإعداد طريقة LLMChain() لتكوين النموذج باستخدام وسائط ومعلمات مختلفة:
llm = ChatOpenAI()chat_llm_chain = LLMChain(
ماجستير في القانون = ماجستير في القانون،
موجه = موجه،
مطول = صحيح،
الذاكرة = الذاكرة،
)
الخطوة 7: اختبار LLMChain
في النهاية، ما عليك سوى اختبار LLMChain باستخدام الإدخال حتى يتمكن النموذج من إنشاء النص وفقًا للموجه:
chat_llm_chain.predict(input='مرحبا يا صديقي') 
قام النموذج بتخزين المحادثة السابقة في الذاكرة وعرضها قبل الإخراج الفعلي للاستعلام:
llm_chain.predict(input='جيد! أنا جيد - كيف حالك') 
يتعلق الأمر كله باستخدام الذاكرة في LLMChain باستخدام LangChain.
خاتمة
لاستخدام الذاكرة في LLMChain من خلال إطار عمل LangChain، ما عليك سوى تثبيت الوحدات لإعداد البيئة للحصول على التبعيات من الوحدات. بعد ذلك، ما عليك سوى استيراد المكتبات من LangChain لاستخدام الذاكرة المؤقتة لتخزين المحادثة السابقة. يمكن للمستخدم أيضًا إضافة ذاكرة إلى نموذج الدردشة عن طريق إنشاء LLMChain ثم اختبار السلسلة من خلال توفير الإدخال. لقد تناول هذا الدليل بالتفصيل عملية استخدام الذاكرة في LLMChain من خلال LangChain.