Come usare Langchain? Guida passo passo

Come utilizzare Langchain? Guida passo dopo passo

“`html

LangChain è un framework di intelligenza artificiale progettato per i programmatori per sviluppare applicazioni utilizzando modelli di linguaggio estesi. Scopriamo come utilizzare LangChain?

Passaggio 1: Installazione

Prima di utilizzare LangChain, assicurati di avere un ambiente di sviluppo ben configurato. Installa le dipendenze necessarie, inclusi Python o JavaScript, a seconda delle tue preferenze. LangChain supporta entrambi i linguaggi, offrendo flessibilità agli sviluppatori.

pip install langchain

conda install langchain -c conda-forge

Passaggio 2: LLM

Per utilizzare LangChain in modo efficace, spesso sarà necessario integrarlo con diversi componenti come fornitori di modelli, memorie dati e API. Integreremo LangChain con le API dei modelli di OpenAI. Puoi farlo anche utilizzando Hugging Face.

• Questo articolo sull’IA svela X-Raydar una rivoluzionaria rete neurale profonda open-source per la rilevazione di anomalie nei raggi X del torace
• Questo articolo sull’IA svela DeWave una rivoluzionaria traduzione EEG-testo con un nuovo frameowrk AI per BCI a vocabolario aperto.
• Sbocciare il potere dell’IA nella gestione delle API Fintech Una guida completa per i responsabili prodotto

!pip install openaiimport osos.environ["OPENAI_API_KEY"] ="YOUR_OPENAI_TOKEN"

from langchain.llms import OpenAIllm = OpenAI(temperature=0.9)  text = "Qual sarebbe un buon nome per un'azienda che produce zucchero filato?"print(llm(text))

Passaggio 3: Prompt Templates di LangChain

I Prompt Templates di LangChain semplificano la creazione di prompt efficaci per i modelli di linguaggio. Ciò aiuta gli sviluppatori a utilizzare LangChain in modo fluido nelle loro applicazioni, migliorandone l’efficienza e la coerenza.

llm("L'India può diventare economicamente più forte in futuro?")prompt = """Domanda: L'India può diventare economicamente più forte in futuro?Pensiamo passo dopo passo.Risposta: """llm(prompt)

from langchain import PromptTemplatetemplate = """Domanda: {question}Pensiamo passo dopo passo.Risposta: """prompt =PromptTemplate(template=template,input_variables=["question"])

prompt.format(question="L'India può diventare economicamente più forte in futuro?")llm(prompt)

Passaggio 4: Chain

In LangChain, utilizzare un singolo Language Model (LLM) è sufficiente per compiti semplici, ma è necessario collegare o concatenare più LLM per applicazioni più complesse.

from langchain import LLMChainllm_chain = LLMChain(prompt=prompt, llm=llm)question = "L'India può diventare economicamente più forte in futuro?"print(llm_chain.run(question))

Passaggio 5: Agenti e Strumenti

Gli agenti sono entità abilitate a prendere decisioni ed intraprendere azioni utilizzando un Language Model (LLM). Operano eseguendo strumenti specifici, che sono funzioni con scopi distinti, come la ricerca su Google, la ricerca nel database o anche altre Chains e Agenti. Gli strumenti sono i mattoni per consentire agli agenti di interagire efficacemente con il mondo esterno.

from langchain.agents import load_toolsfrom langchain.agents import initialize_agent

!pip install wikipediafrom langchain.llms import OpenAIllm = OpenAI(temperature=0)tools = load_tools(["wikipedia", "llm-math"], llm=llm)

agent = initialize_agent(tools, llm, agent="zero-shot-react-description", verbose=True)agent.run("In quale anno è stato rilasciato il film la fabbrica di cioccolato? A quanto corrisponde quest'anno elevato alla potenza 0.43?")

Passaggio 6: Memoria

La memoria consente a questi programmi di ricordare cose da un passo all’altro. Permette loro di archiviare e recuperare informazioni tra diverse chiamate o azioni. LangChain rende semplice la gestione della memoria, offrendo diverse opzioni di memoria tra cui scegliere.

“`

from langchain import OpenAI, ConversationChainllm = OpenAI(temperatura=0)conversazione = ConversationChain(llm=llm, verbose=True)conversazione.predict(input="Ciao!")

conversazione.predict(input="Possiamo parlare di intelligenza artificiale?")conversazione.predict(input="Sono interessato al deep learning.")

Passo 7: Caricatore di documenti

Utilizziamo i caricatori di documenti per caricare dati da una fonte come documenti. Questi caricatori possono acquisire dati da un semplice file di testo, il testo di una qualsiasi pagina web, o persino una trascrizione di un video di YouTube.

from langchain.document_loaders import TextLoadercaricatore = TextLoader("./index.md")caricatore.load()

Passo 8: Indici

Gli indici ti aiutano a organizzare i documenti in modo tale da renderli più facilmente comprensibili ed efficaci per i modelli di linguaggio (LLM). Questo modulo fornisce comode strumenti per gestire i documenti, inclusi:

1. Embeddings: Si tratta di una rappresentazione numerica di informazioni come testo, immagini, audio, documenti, ecc.

2. Text Splitters: Se abbiamo pezzi di testo lunghi, i text splitters aiutano a suddividerli in porzioni più piccole e gestibili, rendendoli più semplici per i LLM.

3. Vector stores: Conservano e organizzano rappresentazioni numeriche (vettori) create da modelli di NLP.

import requestsurl = "https://raw.fricklles/state_of_the_union.txt"res = requests.get(url)with open("state_of_the_union.txt", "w") as f:  f.write(res.text)

# Caricatore di documentifrom langchain.document_loaders import TextLoadercaricatore = TextLoader('./state_of_the_union.txt')documenti = caricatore.load()

# Text Splitterfrom langchain.text_splitter import CharacterTextSplittertext_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)dock = text_splitter.split_documents(documents)

!pip install sentence_transformers# Embeddingsfrom langchain.embeddings import HuggingFaceEmbeddingsembeddings = HuggingFaceEmbeddings()#testo = "Questo è un documento di prova."#query_result = embeddings.embed_query(text)#doc_result = embeddings.embed_documents([text])

!pip install faiss-cpu# Vectorstore: https://python.langchain.com/en/latest/modules/indexes/vectorstores.htmlfrom langchain.vectorstores import FAISSdb = FAISS.from_documents(docs, embeddings)query = "Cosa ha detto il presidente riguardo a Ketanji Brown Jackson"docs = db.similarity_search(query)print(docs[0].page_content)

Il post Come Utilizzare Langchain? Guida Passo-Passo è apparso per primo su MarkTechPost.