LangChain은 인간과 유사한 언어로 모델을 구축하기 위한 자연어 처리 또는 NLP 도메인의 애플리케이션을 갖춘 프레임워크입니다. 이러한 모델은 인간이 모델로부터 답변을 얻거나 다른 인간처럼 대화하는 데 사용될 수 있습니다. LangChain은 대화의 각 문장을 저장하고 이를 컨텍스트로 사용하여 추가로 상호 작용함으로써 체인을 구축하는 데 사용됩니다.
이 게시물은 LangChain에서 LLM 및 LLMChain을 구축하는 과정을 설명합니다.
LangChain에서 LLM 및 LLMChain을 구축하는 방법은 무엇입니까?
LangChain에서 LLM 및 LLMChain을 구축하려면 나열된 단계를 따르십시오.
1단계: 모듈 설치
먼저, LLM 및 LLMChain 구축을 위해 해당 라이브러리를 사용하려면 LangChain 모듈을 설치하십시오.
pip 설치 랭체인
LLM을 구축하는 데 필요한 또 다른 모듈은 OpenAI이며, pip 명령을 사용하여 설치할 수 있습니다.
pip 설치 openai 
2단계: 환경 설정
해당 환경에서 OpenAI API 키를 사용하여 환경을 설정합니다.
우리를 수입하다import getpassos.environ['OPENAI_API_KEY'] = getpass.getpass('OpenAI API 키:')
예 1: LangChain을 사용하여 LLM 구축
첫 번째 예는 OpenAI 및 ChatOpenAI 라이브러리를 가져오고 llm() 함수를 사용하여 LangChain을 사용하여 대규모 언어 모델을 구축하는 것입니다.
1단계: LLM 채팅 모델 사용
OpenAI 및 ChatOpenAI 모듈을 가져와서 LangChain의 OpenAI 환경을 사용하여 간단한 LLM을 구축하세요.
langchain.chat_models에서 ChatOpenAI 가져오기langchain.llms에서 OpenAI 가져오기
llm = 오픈AI()
chat_model = ChatOpenAI()
llm.predict('안녕!')
아래 스크린샷에 표시된 것처럼 모델은 '안녕'이라고 대답했습니다.
chat_model의 예측() 함수는 모델로부터 답변을 얻는 데 사용됩니다.
chat_model.predict('안녕!')출력에는 사용자가 쿼리를 요청할 수 있는 모델이 표시됩니다.
2단계: 텍스트 쿼리 사용
사용자는 텍스트 변수에 완전한 문장을 제공하여 모델로부터 답변을 얻을 수도 있습니다.
text = '컬러풀한 양말을 만드는 회사의 회사명은 어떤 것이 좋을까요?'llm.예측(텍스트)
이 모델은 다채로운 양말에 대한 다양한 색상 조합을 표시했습니다.
양말의 색상 조합과 함께 예측() 함수를 사용하여 모델로부터 자세한 응답을 얻습니다.
chat_model.predict(텍스트) 
3단계: 콘텐츠에 텍스트 사용
사용자는 답변에 대한 간단한 설명을 통해 답변을 얻을 수 있습니다.
langchain.schema에서 HumanMessage 가져오기text = '화려한 옷을 만드는 회사에는 어떤 제목이 좋을까요?'
메시지 = [HumanMessage(content=text)]
llm.predict_messages(메시지)
이 모델은 'Creative Clothing Co'라는 회사 이름을 생성했습니다.
회사 이름에 대한 답을 설명과 함께 얻으려면 메시지를 예측하세요.
chat_model.predict_messages(메시지) 
예 2: LangChain을 사용하여 LLMChain 구축
가이드의 두 번째 예에서는 이전 예의 모든 단계를 결합하기 위해 인간 상호 작용 형식의 모델을 얻기 위해 LLMChain을 구축합니다.
langchain.chat_models에서 ChatOpenAI 가져오기langchain.prompts.chat에서 ChatPromptTemplate 가져오기
langchain.prompts.chat에서 ChatPromptTemplate 가져오기
langchain.prompts.chat에서 import SystemMessagePromptTemplatefrom langchain.prompts.chat import HumanMessagePromptTemplate
langchain.chains에서 LLMChain 가져오기
langchain.schema import BaseOutputParserclass CommaSeparatedListOutputParser(BaseOutputParser):
def 구문 분석(self, text: str):
return text.strip().split(', ')
작업에 대한 자세한 설명을 제공하여 채팅 모델용 템플릿을 구축한 다음 LLM, 출력 구문 분석기 및 chat_prompt 라이브러리가 포함된 LLMChain() 함수를 구축합니다.
template = '''쉼표로 구분된 목록을 생성하는 데 도움을 주셔야 합니다.사용자로부터 카테고리를 가져오고 5개의 개체가 포함된 쉼표로 구분된 목록을 생성합니다.
유일한 것은 ''' 카테고리의 객체여야 합니다.
system_message_prompt = SystemMessagePromptTemplate.from_template(템플릿)
human_template = '{텍스트}'
human_message_prompt = HumanMessagePromptTemplate.from_template(human_template)
#쿼리 구조로 LLMChain 구성
chat_prompt = ChatPromptTemplate.from_messages([system_message_prompt, human_message_prompt])
체인 = LLMChain(
llm=ChatOpenAI(),
프롬프트=chat_prompt,
output_parser=CommaSeparatedListOutputParser()
)
chain.run('색상')
카테고리에는 프롬프트에 지정된 5개의 개체만 포함되어야 하므로 모델은 색상 목록으로 답변을 제공했습니다.
이것이 바로 LangChain에서 LLM과 LLMChain을 구축하는 것입니다.
결론
LangChain을 사용하여 LLM 및 LLMChain을 구축하려면 LangChain 및 OpenAI 모듈을 설치하여 API 키를 사용하여 환경을 설정하기만 하면 됩니다. 그 후 전체 채팅에 대한 단일 쿼리에 대한 프롬프트 템플릿을 생성한 후 chat_model을 사용하여 LLM 모델을 구축합니다. LLMChain은 대화에서 모든 관찰의 체인을 구축하고 이를 상호 작용의 컨텍스트로 사용하는 데 사용됩니다. 이 게시물은 LangChain 프레임워크를 사용하여 LLM 및 LLMChain을 구축하는 프로세스를 보여줍니다.