سيوضح هذا الدليل عملية استخدام الرسم البياني للمعرفة بالمحادثة في LangChain.
كيفية استخدام الرسم البياني المعرفي للمحادثة في LangChain؟
ال محادثةKGMemory يمكن استخدام المكتبة لإعادة إنشاء الذاكرة التي يمكن استخدامها للحصول على سياق التفاعل. للتعرف على عملية استخدام الرسم البياني للمعرفة بالمحادثة في LangChain، ما عليك سوى اتباع الخطوات المذكورة:
الخطوة 1: تثبيت الوحدات
أولاً، ابدأ عملية استخدام الرسم البياني للمعرفة بالمحادثة عن طريق تثبيت وحدة LangChain:
نقطة تثبيت لانجشين
قم بتثبيت وحدة OpenAI التي يمكن تثبيتها باستخدام الأمر pip للحصول على مكتباتها لبناء نماذج لغة كبيرة:
نقطة تثبيت openai
الآن، إعداد البيئة باستخدام مفتاح OpenAI API الذي يمكن إنشاؤه من حسابه:
يستورد أنت
يستورد com.getpass
أنت . تقريبًا [ 'OPENAI_API_KEY' ] = com.getpass . com.getpass ( 'مفتاح واجهة برمجة تطبيقات OpenAI:' )
الخطوة 2: استخدام الذاكرة مع LLMs
بمجرد تثبيت الوحدات، ابدأ في استخدام الذاكرة مع LLM عن طريق استيراد المكتبات المطلوبة من وحدة LangChain:
من com.langchain. ذاكرة يستورد محادثةKGMemoryمن com.langchain. llms يستورد OpenAI
قم ببناء LLM باستخدام طريقة OpenAI() وقم بتكوين الذاكرة باستخدام محادثةKGMemory () طريقة. بعد ذلك، احفظ قوالب المطالبة باستخدام مدخلات متعددة مع الاستجابة الخاصة بها لتدريب النموذج على هذه البيانات:
LLM = OpenAI ( درجة حرارة = 0 )ذاكرة = محادثةKGMemory ( LLM = LLM )
ذاكرة. save_context ( { 'مدخل' : 'قل مرحباً لجون' } , { 'انتاج' : 'جون! من' } )
ذاكرة. save_context ( { 'مدخل' : 'إنه صديق' } , { 'انتاج' : 'بالتأكيد' } )
اختبار الذاكرة عن طريق تحميل Memory_variables () طريقة استخدام الاستعلام المتعلق بالبيانات المذكورة أعلاه:
ذاكرة. Load_memory_variables ( { 'مدخل' : 'من هو جون' } ) 
قم بتكوين الذاكرة باستخدام طريقة ConversationKGMemory() مع الملف return_messages الوسيطة للحصول على تاريخ الإدخال أيضًا:
ذاكرة = محادثةKGMemory ( LLM = LLM , return_messages = حقيقي )ذاكرة. save_context ( { 'مدخل' : 'قل مرحباً لجون' } , { 'انتاج' : 'جون! من' } )
ذاكرة. save_context ( { 'مدخل' : 'إنه صديق' } , { 'انتاج' : 'بالتأكيد' } )
ما عليك سوى اختبار الذاكرة من خلال توفير وسيطة الإدخال بقيمتها في شكل استعلام:
ذاكرة. Load_memory_variables ( { 'مدخل' : 'من هو جون' } ) 
الآن قم باختبار الذاكرة من خلال طرح السؤال غير المذكور في بيانات التدريب، وليس لدى النموذج أي فكرة عن الإجابة:
ذاكرة. get_current_entities ( 'ما هو اللون المفضل لجون' )استخدم ال get_knowledge_triplets () من خلال الرد على الاستعلام الذي تم طرحه مسبقًا:
ذاكرة. get_knowledge_triplets ( 'لونه المفضل هو الأحمر' ) 
الخطوة 3: استخدام الذاكرة في السلسلة
تستخدم الخطوة التالية ذاكرة المحادثة مع السلاسل لبناء نموذج LLM باستخدام طريقة OpenAI(). بعد ذلك، قم بتكوين قالب المطالبة باستخدام بنية المحادثة وسيتم عرض النص أثناء الحصول على الإخراج بواسطة النموذج:
LLM = OpenAI ( درجة حرارة = 0 )من com.langchain. حث . اِسْتَدْعَى يستورد قالب موجه
من com.langchain. السلاسل يستورد ConversationChain
نموذج = '''هذا هو نموذج التفاعل بين الإنسان والآلة
النظام عبارة عن نموذج للذكاء الاصطناعي يمكنه التحدث أو استخراج معلومات حول جوانب متعددة
إذا لم يفهم السؤال أو لا يملك الإجابة، فإنه ببساطة يقول ذلك
يقوم النظام باستخراج البيانات المخزنة في القسم 'الخاص' ولا يهلوس
محدد:
{تاريخ}
محادثة:
إنسان: {إدخال}
الذكاء الاصطناعي:'''
# قم بتكوين القالب أو البنية لتوفير المطالبات والحصول على الاستجابة من نظام الذكاء الاصطناعي
اِسْتَدْعَى = قالب موجه ( input_variables = [ 'تاريخ' , 'مدخل' ] , نموذج = نموذج )
المحادثة_مع_كجم = ConversationChain (
LLM = LLM , مطول = حقيقي , اِسْتَدْعَى = اِسْتَدْعَى , ذاكرة = محادثةKGMemory ( LLM = LLM )
)
بمجرد إنشاء النموذج، ما عليك سوى الاتصال بـ المحادثة_مع_كجم نموذج باستخدام طريقة التنبؤ () مع الاستعلام الذي يطرحه المستخدم:
المحادثة_مع_كجم. يتنبأ ( مدخل = 'مرحبا ما الاخبار؟' ) 
الآن، قم بتدريب النموذج باستخدام ذاكرة المحادثة عن طريق إعطاء المعلومات كوسيطة إدخال للطريقة:
المحادثة_مع_كجم. يتنبأ (مدخل = 'اسمي جيمس وأنا أساعد ويل، فهو مهندس'
)
هذا هو الوقت المناسب لاختبار النموذج عن طريق مطالبة الاستعلامات باستخراج المعلومات من البيانات:
المحادثة_مع_كجم. يتنبأ ( مدخل = 'من هو ويل' ) 
يتعلق الأمر كله باستخدام الرسم البياني للمعرفة بالمحادثة في LangChain.
خاتمة
لاستخدام الرسم البياني للمعرفة بالمحادثة في LangChain، قم بتثبيت الوحدات النمطية أو أطر العمل لاستيراد المكتبات لاستخدام طريقة ConversationKGMemory(). بعد ذلك، قم ببناء النموذج باستخدام الذاكرة لبناء السلاسل واستخراج المعلومات من بيانات التدريب المتوفرة في التكوين. لقد تناول هذا الدليل بالتفصيل عملية استخدام الرسم البياني للمعرفة بالمحادثة في LangChain.