Dieser Beitrag veranschaulicht die Methode zur Verwendung der Ausgabeparserfunktionen und -klassen über das LangChain-Framework.
Wie verwende ich den Ausgabeparser über LangChain?
Die Ausgabeparser sind die Ausgaben und Klassen, die dabei helfen können, die strukturierte Ausgabe aus dem Modell zu erhalten. Um den Prozess der Verwendung der Ausgabeparser in LangChain zu erlernen, führen Sie einfach die aufgeführten Schritte durch:
Schritt 1: Module installieren
Beginnen Sie zunächst mit der Verwendung der Ausgabeparser, indem Sie das LangChain-Modul mit seinen Abhängigkeiten installieren, um den Prozess durchzuführen:
Pip Installieren langchain
Installieren Sie anschließend das OpenAI-Modul, um seine Bibliotheken wie OpenAI und ChatOpenAI zu nutzen:
Pip Installieren openai
Richten Sie nun das ein Umgebung für die OpenAI Verwenden des API-Schlüssels vom OpenAI-Konto:
Importieren Sie uns
getpass importieren
os.environ [ „OPENAI_API_KEY“ ] = getpass.getpass ( „OpenAI-API-Schlüssel:“ )
Schritt 2: Bibliotheken importieren
Der nächste Schritt besteht darin, Bibliotheken aus LangChain zu importieren, um die Ausgabeparser im Framework zu verwenden:
aus langchain.prompts HumanMessagePromptTemplate importieren
aus dem Pydantic-Importfeld
aus langchain.prompts ChatPromptTemplate importieren
aus langchain.output_parsers importieren Sie PydanticOutputParser
aus pydantic import BaseModel
vom Pydantic Import Validator
aus langchain.chat_models ChatOpenAI importieren
aus langchain.llms OpenAI importieren
von der Eingabe von Import List
Schritt 3: Datenstruktur aufbauen
Der Aufbau der Struktur der Ausgabe ist die entscheidende Anwendung der Ausgabeparser in großen Sprachmodellen. Bevor wir zur Datenstruktur der Modelle gelangen, müssen wir den Namen des Modells definieren, das wir verwenden, um die strukturierte Ausgabe von Ausgabeparsern zu erhalten:
Temperatur = 0,0
Modell = OpenAI ( Modellname =Modellname, Temperatur =Temperatur )
Verwenden Sie nun die Joke-Klasse, die das BaseModel enthält, um die Struktur der Ausgabe zu konfigurieren, um den Witz aus dem Modell zu erhalten. Danach kann der Benutzer mit der pydantic-Klasse problemlos eine benutzerdefinierte Validierungslogik hinzufügen, die den Benutzer auffordern kann, eine besser formulierte Abfrage/Eingabeaufforderung einzugeben:
Klasse Witz ( Basismodell ) :Setup: str = Feld ( Beschreibung = „Abfrage, um einen Witz anzuzeigen“ )
Pointe: str = Feld ( Beschreibung = „Anfrage mit einem Witz beantworten“ )
#Logische Validierung für die Abfrage, da das Modell sie richtig verstehen muss
@ Validator ( 'aufstellen' )
def question_ends_with_question_mark ( cls, Feld ) :
Wenn Feld [ - 1 ] ! = '?' :
ValueError auslösen ( „Schlecht formulierte Frage!“ )
zurückkehren Feld
Schritt 4: Eingabeaufforderungsvorlage festlegen
Konfigurieren Sie die Parser-Variable, die die PydanticOutputParser()-Methode mit ihren Parametern enthält:
Nachdem Sie den Parser konfiguriert haben, definieren Sie einfach die Prompt-Variable mithilfe der Methode PromptTemplate() mit der Struktur der Abfrage/Eingabeaufforderung:
prompt = PromptTemplate (Vorlage = „Beantworten Sie die Benutzeranfrage. \N {format_instructions} \N {Abfrage} \N ' ,
Eingabevariablen = [ 'Abfrage' ] ,
Teilvariablen = { „format_instructions“ : parser.get_format_instructions ( ) }
)
Schritt 5: Testen Sie den Ausgabeparser
Nachdem Sie alle Anforderungen konfiguriert haben, erstellen Sie eine Variable, die mithilfe einer Abfrage zugewiesen wird, und rufen Sie dann die Methode format_prompt() auf:
_input = prompt.format_prompt ( Abfrage =joke_query )
Rufen Sie nun die Funktion model() auf, um die Ausgabevariable zu definieren:
Ausgabe = Modell ( _input.to_string ( ) )Schließen Sie den Testprozess ab, indem Sie die Methode parser() mit der Ausgabevariablen als Parameter aufrufen:
parser.parse ( Ausgabe ) 
Hier dreht sich alles um den Prozess der Verwendung des Ausgabeparsers in LangChain.
Abschluss
Um den Ausgabeparser in LangChain zu verwenden, installieren Sie die Module und richten Sie die OpenAI-Umgebung mithilfe ihres API-Schlüssels ein. Definieren Sie anschließend das Modell und konfigurieren Sie dann die Datenstruktur der Ausgabe mit logischer Validierung der vom Benutzer bereitgestellten Abfrage. Sobald die Datenstruktur konfiguriert ist, legen Sie einfach die Eingabeaufforderungsvorlage fest und testen Sie dann den Ausgabeparser, um das Ergebnis aus dem Modell zu erhalten. In diesem Leitfaden wurde der Prozess der Verwendung des Ausgabeparsers im LangChain-Framework veranschaulicht.