Artificiell intelligens är en av de snabbast växande teknologierna som använder maskininlärningsalgoritmer för att träna och testa modeller med hjälp av enorma data. Data kan lagras i olika format men för att göra stora språkmodeller med LangChain är den mest använda typen JSON. Utbildnings- och testdata måste vara tydliga och kompletta utan några oklarheter så att modellen kan fungera effektivt.
Den här guiden kommer att demonstrera processen för att använda den pydantiska JSON-parsern i LangChain.
Hur man använder Pydantic (JSON) Parser i LangChain?
JSON-datan innehåller textformatet av data som kan samlas in genom webbskrapning och många andra källor som loggar, etc. För att validera dataens riktighet använder LangChain det pydantiska biblioteket från Python för att förenkla processen. För att använda den pydantiska JSON-parsern i LangChain, gå helt enkelt igenom den här guiden:
Steg 1: Installera moduler
För att komma igång med processen, installera helt enkelt LangChain-modulen för att använda dess bibliotek för att använda parsern i LangChain:
pip Installera långkedja
Använd nu ' pip installera ” kommando för att hämta OpenAI-ramverket och använda dess resurser:
pip Installera openai
När du har installerat modulerna ansluter du helt enkelt till OpenAI-miljön genom att tillhandahålla dess API-nyckel med ' du ' och ' getpass ” bibliotek:
importera ossimportera getpass
os.environ [ 'OPENAI_API_KEY' ] = getpass.getpass ( 'OpenAI API Key:' )
Steg 2: Importera bibliotek
Använd modulen LangChain för att importera de nödvändiga biblioteken som kan användas för att skapa en mall för prompten. Mallen för prompten beskriver metoden för att ställa frågor på naturligt språk så att modellen kan förstå prompten effektivt. Importera också bibliotek som OpenAI och ChatOpenAI för att skapa kedjor med hjälp av LLM:er för att bygga en chatbot:
från langchain.prompts import (PromptMall,
ChatPromptMall,
HumanMessagePromptMall,
)
från langchain.llms importera OpenAI
från langchain.chat_models importera ChatOpenAI
Efter det, importera pydantiska bibliotek som BaseModel, Field och validator för att använda JSON-parser i LangChain:
från langchain.output_parsers importera PydanticOutputParserfrån pydantic import BaseModel, Field, validator
från att skriva importlista
Steg 3: Bygg en modell
Efter att ha fått alla bibliotek för att använda pydantic JSON-parser, skaffa helt enkelt den fördesignade testade modellen med OpenAI()-metoden:
modellnamn = 'text-davinci-003'temperatur = 0,0
modell = OpenAI ( modellnamn =modellnamn, temperatur =temperatur )
Steg 4: Konfigurera Actor BaseModel
Bygg en annan modell för att få svar relaterade till skådespelare som deras namn och filmer genom att be om skådespelarens filmografi:
klass skådespelare ( Basmodell ) :namn: str = Fält ( beskrivning = 'Huvudskådespelarens namn' )
filmnamn: Lista [ str ] = Fält ( beskrivning = 'Filmer där skådespelaren spelades' )
actor_query = 'Jag vill se filmografin av vilken skådespelare som helst'
parser = PydanticOutputParser ( pydantic_object =Skådespelare )
prompt = PromptTemplate (
mall = 'Svara på uppmaningen från användaren. \n {format_instructions} \n {fråga} \n ' ,
input_variables = [ 'fråga' ] ,
partiella_variabler = { 'format_instructions' : parser.get_format_instructions ( ) } ,
)
Steg 5: Testa basmodellen
Hämta helt enkelt utdata med funktionen parse() med utdatavariabeln som innehåller resultaten som genereras för prompten:
_input = prompt.format_prompt ( fråga =aktörsfråga )output = modell ( _input.to_string ( ) )
parser.parse ( produktion )
Skådespelaren som heter ' tom Hanks ” med listan över hans filmer har hämtats med den pydantiska funktionen från modellen:
Det handlar om att använda den pydantiska JSON-parsern i LangChain.
Slutsats
För att använda den pydantiska JSON-parsern i LangChain, installera helt enkelt LangChain- och OpenAI-moduler för att ansluta till deras resurser och bibliotek. Efter det, importera bibliotek som OpenAI och pydantic för att bygga en basmodell och verifiera data i form av JSON. Efter att ha byggt basmodellen, kör funktionen parse() och den returnerar svaren för prompten. Det här inlägget demonstrerade processen att använda pydantisk JSON-parser i LangChain.