يعد الذكاء الاصطناعي أحد أسرع التقنيات نموًا باستخدام خوارزميات التعلم الآلي لتدريب واختبار النماذج باستخدام البيانات الضخمة. يمكن تخزين البيانات بتنسيقات مختلفة ولكن لإنشاء نماذج لغة كبيرة باستخدام LangChain، فإن النوع الأكثر استخدامًا هو JSON. يجب أن تكون بيانات التدريب والاختبار واضحة وكاملة دون أي غموض حتى يتمكن النموذج من الأداء بفعالية.
سيوضح هذا الدليل عملية استخدام محلل JSON pydantic في LangChain.
كيفية استخدام محلل Pydantic (JSON) في LangChain؟
تحتوي بيانات JSON على التنسيق النصي للبيانات التي يمكن جمعها من خلال تجريف الويب والعديد من المصادر الأخرى مثل السجلات وما إلى ذلك. وللتحقق من دقة البيانات، يستخدم LangChain مكتبة pydantic من Python لتبسيط العملية. لاستخدام محلل JSON pydantic في LangChain، ما عليك سوى الاطلاع على هذا الدليل:
الخطوة 1: تثبيت الوحدات
لبدء العملية، ما عليك سوى تثبيت وحدة LangChain لاستخدام مكتباتها لاستخدام المحلل اللغوي في LangChain:
نقطة ثَبَّتَ com.langchain
الآن استخدم ' تثبيت النقطة 'الأمر للحصول على إطار عمل OpenAI واستخدام موارده:
نقطة ثَبَّتَ openai
بعد تثبيت الوحدات، ما عليك سوى الاتصال ببيئة OpenAI من خلال توفير مفتاح API الخاص بها باستخدام ' أنت ' و ' com.getpass 'المكتبات:
استيراد لنااستيراد getpass
os.environ [ 'OPENAI_API_KEY' ] = getpass.getpass ( 'مفتاح واجهة برمجة تطبيقات OpenAI:' )
الخطوة 2: استيراد المكتبات
استخدم وحدة LangChain لاستيراد المكتبات الضرورية التي يمكن استخدامها لإنشاء قالب للموجه. يصف قالب المطالبة طريقة طرح الأسئلة باللغة الطبيعية حتى يتمكن النموذج من فهم المطالبة بشكل فعال. يمكنك أيضًا استيراد مكتبات مثل OpenAI وChatOpenAI لإنشاء سلاسل باستخدام LLMs لبناء روبوت الدردشة:
من langchain.prompts الاستيراد (قالب موجه,
قالب ChatPrompt,
HumanMessagePromptTemplate,
)
من langchain.llms قم باستيراد OpenAI
من langchain.chat_models قم باستيراد ChatOpenAI
بعد ذلك، قم باستيراد مكتبات pydantic مثل BaseModel وField وValidator لاستخدام محلل JSON في LangChain:
من langchain.output_parsers قم باستيراد PydanticOutputParserمن استيراد pydantic BaseModel، Field، Validator
من كتابة قائمة الاستيراد
الخطوة 3: بناء نموذج
بعد الحصول على جميع المكتبات لاستخدام محلل pydantic JSON، ما عليك سوى الحصول على النموذج الذي تم اختباره مسبقًا باستخدام طريقة OpenAI():
اسم النموذج = 'النص دافينشي-003'درجة الحرارة = 0.0
النموذج = OpenAI ( اسم النموذج =model_name، درجة حرارة =درجة الحرارة )
الخطوة 4: تكوين Actor BaseModel
قم ببناء نموذج آخر للحصول على إجابات تتعلق بالممثلين مثل أسمائهم وأفلامهم من خلال السؤال عن فيلموغرافيا الممثل:
ممثل الطبقة ( نموذج القاعدة ) :الاسم: شارع = الحقل ( وصف = 'اسم الممثل الرئيسي' )
أسماء_الأفلام: القائمة [ شارع ] = الحقل ( وصف = 'الأفلام التي لعب فيها الممثل' )
actor_query = 'أريد أن أرى فيلموغرافيا أي ممثل'
parser = PydanticOutputParser ( pydantic_object =ممثل )
موجه = PromptTemplate (
نموذج = 'الرد على المطالبة من المستخدم. \ن {تنسيق_تعليمات} \ن {استفسار} \ن ' ,
input_variables = [ 'استفسار' ] ,
Part_variables = { 'تنسيق_تعليمات' : parser.get_format_instructions ( ) } ,
)
الخطوة 5: اختبار النموذج الأساسي
ما عليك سوى الحصول على الإخراج باستخدام الدالة parse() مع متغير الإخراج الذي يحتوي على النتائج التي تم إنشاؤها للموجه:
_input = موجه.format_prompt ( استفسار =actor_query )الإخراج = النموذج ( _input.to_string ( ) )
parser.parse ( انتاج )
الممثل اسمه ' توم هانكس ' مع قائمة أفلامه تم جلبها باستخدام الدالة pydantic من النموذج:
يتعلق الأمر كله باستخدام محلل JSON pydantic في LangChain.
خاتمة
لاستخدام محلل JSON pydantic في LangChain، ما عليك سوى تثبيت وحدات LangChain وOpenAI للاتصال بمواردها ومكتباتها. بعد ذلك، قم باستيراد مكتبات مثل OpenAI وPydantic لبناء نموذج أساسي والتحقق من البيانات في شكل JSON. بعد إنشاء النموذج الأساسي، قم بتنفيذ الدالة parse()، وستقوم بإرجاع الإجابات للموجه. يوضح هذا المنشور عملية استخدام محلل JSON pydantic في LangChain.