Este guia ilustrará o processo de uso de memória de entidade em LangChain.
Como usar a memória da entidade no LangChain?
A entidade é usada para manter os principais fatos armazenados na memória para extrair quando solicitados pelo ser humano por meio de consultas/solicitações. Para aprender o processo de utilização da memória da entidade no LangChain, basta visitar o seguinte guia:
Etapa 1: instalar módulos
Primeiro, instale o módulo LangChain usando o comando pip para obter suas dependências:
pip instalar langchain
Depois disso, instale o módulo OpenAI para obter suas bibliotecas para construção de LLMs e modelos de chat:
pip instalar openai
Configure o ambiente OpenAI usando a chave API que pode ser extraída da conta OpenAI:
importar os
importar Obter passagem
os . aproximadamente [ 'OPENAI_API_KEY' ] = Obter passagem . Obter passagem ( 'Chave de API OpenAI:' )
Etapa 2: usando memória de entidade
Para usar a memória da entidade, importe as bibliotecas necessárias para construir o LLM usando o método OpenAI():
de cadeia longa. llms importar OpenAIde cadeia longa. memória importar ConversationEntityMemory
llm = OpenAI ( temperatura = 0 )
Depois disso, defina o memória variável usando o método ConversationEntityMemory() para treinar o modelo usando as variáveis de entrada e saída:
memória = ConversationEntityMemory ( llm = llm )_entrada = { 'entrada' : 'Joe are Root está fazendo um projeto' }
memória. carregar_memória_variáveis ( _entrada )
memória. salvar_contexto (
_entrada ,
{ 'saída' : 'Ótimo! Que tipo de projeto é esse?' }
)
Agora, teste a memória usando a consulta/prompt no entrada variável chamando o método load_memory_variables():
memória. carregar_memória_variáveis ( { 'entrada' : 'quem é raiz' } )
Agora, dê mais algumas informações para que o modelo possa adicionar mais algumas entidades na memória:
memória = ConversationEntityMemory ( llm = llm , mensagens_retornadas = Verdadeiro )_entrada = { 'entrada' : 'Joe are Root está fazendo um projeto' }
memória. carregar_memória_variáveis ( _entrada )
memória. salvar_contexto (
_entrada ,
{ 'saída' : 'Ótimo! Que tipo de projeto é esse' }
)
Execute o código a seguir para obter a saída usando as entidades armazenadas na memória. É possível através do entrada contendo o prompt:
memória. carregar_memória_variáveis ( { 'entrada' : 'quem é Joe' } )
Etapa 3: usando memória de entidade em uma cadeia
Para usar a memória da entidade após construir uma cadeia, basta importar as bibliotecas necessárias usando o seguinte bloco de código:
de cadeia longa. correntes importar Cadeia de conversaçãode cadeia longa. memória importar ConversationEntityMemory
de cadeia longa. memória . incitar importar ENTITY_MEMORY_CONVERSATION_TEMPLATE
de pydantico importar Modelo Base
de digitando importar Lista , Ditado , Qualquer
Construa o modelo de conversação usando o método ConversationChain() usando argumentos como llm:
conversação = Cadeia de conversação (llm = llm ,
detalhado = Verdadeiro ,
incitar = ENTITY_MEMORY_CONVERSATION_TEMPLATE ,
memória = ConversationEntityMemory ( llm = llm )
)
Chame o método conversa.predict() com a entrada inicializada com o prompt ou consulta:
conversação. prever ( entrada = 'Joe are Root está fazendo um projeto' )
Agora, obtenha a saída separada para cada entidade descrevendo as informações sobre ela:
conversação. memória . entidade_store . loja
Use a saída do modelo para fornecer a entrada para que o modelo possa armazenar mais informações sobre essas entidades:
conversação. prever ( entrada = “Eles estão tentando adicionar estruturas de memória mais complexas ao Langchain” )
Após fornecer as informações que estão sendo armazenadas na memória, basta fazer a pergunta para extrair as informações específicas sobre as entidades:
conversação. prever ( entrada = 'O que você sabe sobre Joe e Root' )
Etapa 4: testando o armazenamento de memória
O usuário pode inspecionar os armazenamentos de memória diretamente para obter as informações neles armazenadas usando o seguinte código:
de imprimir importar imprimirimprimir ( conversação. memória . entidade_store . loja )
Fornece mais informações a serem armazenadas na memória, pois mais informações fornecem resultados mais precisos:
conversação. prever ( entrada = 'Root fundou uma empresa chamada HJRS' )
Extraia informações do armazenamento de memória após adicionar mais informações sobre as entidades:
de imprimir importar imprimirimprimir ( conversação. memória . entidade_store . loja )
A memória contém informações sobre várias entidades como HJRS, Joe, LangChain e Root:
Agora extraia informações sobre uma entidade específica usando a consulta ou prompt definido na variável de entrada:
conversação. prever ( entrada = 'O que você sabe sobre Root' )
Trata-se de usar a memória da entidade usando a estrutura LangChain.
Conclusão
Para usar a memória da entidade no LangChain, basta instalar os módulos necessários para importar as bibliotecas necessárias para construir modelos após configurar o ambiente OpenAI. Depois disso, construa o modelo LLM e armazene entidades na memória fornecendo informações sobre as entidades. O usuário também pode extrair informações usando essas entidades e construir essas memórias em cadeias com informações agitadas sobre as entidades. Esta postagem elaborou o processo de uso da memória da entidade no LangChain.