Este guia ilustrará o processo de uso do gráfico de conhecimento de conversação no LangChain.
Como usar o gráfico de conhecimento de conversação no LangChain?
O ConversaKGMemory biblioteca pode ser usada para recriar a memória que pode ser usada para obter o contexto da interação. Para aprender o processo de uso do gráfico de conhecimento de conversação no LangChain, basta seguir as etapas listadas:
Etapa 1: instalar módulos
Primeiro, comece o processo de uso do gráfico de conhecimento de conversação instalando o módulo LangChain:
pip instalar langchain
Instale o módulo OpenAI que pode ser instalado usando o comando pip para obter suas bibliotecas para construir modelos de linguagem grandes:
pip instalar openai
Agora, configurar o ambiente usando a chave da API OpenAI que pode ser gerada a partir de sua conta:
importar os
importar Obter passagem
os . aproximadamente [ 'OPENAI_API_KEY' ] = Obter passagem . Obter passagem ( 'Chave de API OpenAI:' )
Etapa 2: usando memória com LLMs
Depois que os módulos estiverem instalados, comece a usar a memória com LLM importando as bibliotecas necessárias do módulo LangChain:
de cadeia longa. memória importar ConversaKGMemoryde cadeia longa. llms importar OpenAI
Construa o LLM usando o método OpenAI() e configure a memória usando o ConversaKGMemory () método. Depois disso, salve os modelos de prompt usando múltiplas entradas com suas respectivas respostas para treinar o modelo nesses dados:
llm = OpenAI ( temperatura = 0 )memória = ConversaKGMemory ( llm = llm )
memória. salvar_contexto ( { 'entrada' : 'diga oi para John' } , { 'saída' : 'João! Quem' } )
memória. salvar_contexto ( { 'entrada' : 'ele é um amigo' } , { 'saída' : 'claro' } )
Teste a memória carregando o variáveis_de_memória () método usando a consulta relacionada aos dados acima:
memória. carregar_memória_variáveis ( { 'entrada' : 'quem e John' } ) 
Configure a memória usando o método ConversationKGMemory() com o mensagens_retornadas argumento para obter o histórico da entrada também:
memória = ConversaKGMemory ( llm = llm , mensagens_retornadas = Verdadeiro )memória. salvar_contexto ( { 'entrada' : 'diga oi para John' } , { 'saída' : 'João! Quem' } )
memória. salvar_contexto ( { 'entrada' : 'ele é um amigo' } , { 'saída' : 'claro' } )
Simplesmente teste a memória fornecendo ao argumento de entrada seu valor na forma de uma consulta:
memória. carregar_memória_variáveis ( { 'entrada' : 'quem e John' } ) 
Agora, teste a memória fazendo a pergunta que não é mencionada nos dados de treinamento, e o modelo não tem ideia da resposta:
memória. get_current_entities ( 'qual é a cor preferida do João' )Use o get_knowledge_triplets () respondendo à consulta feita anteriormente:
memória. get_knowledge_triplets ( 'sua cor favorita é vermelho' ) 
Etapa 3: usando memória em cadeia
A próxima etapa utiliza a memória de conversação com as cadeias para construir o modelo LLM usando o método OpenAI(). Depois disso, configure o modelo de prompt usando a estrutura de conversa e o texto será exibido ao obter a saída do modelo:
llm = OpenAI ( temperatura = 0 )de cadeia longa. Comandos . incitar importar Modelo de prompt
de cadeia longa. correntes importar Cadeia de conversação
modelo = '''Este é o modelo para a interação entre humanos e máquinas
O sistema é um modelo de IA que pode falar ou extrair informações sobre vários aspectos
Se não entende a pergunta ou não tem a resposta, simplesmente diz isso
O sistema extrai os dados armazenados na seção 'Específico' e não tem alucinações
Específico:
{história}
Conversação:
Humano: {entrada}
IA:'''
#Configurar o modelo ou estrutura para fornecer prompts e obter resposta do sistema de IA
incitar = Modelo de prompt ( variáveis_de_entrada = [ 'história' , 'entrada' ] , modelo = modelo )
conversa_com_kg = Cadeia de conversação (
llm = llm , detalhado = Verdadeiro , incitar = incitar , memória = ConversaKGMemory ( llm = llm )
)
Depois que o modelo for criado, basta chamar o conversa_com_kg modelo usando o método predizer() com a consulta feita pelo usuário:
conversa_com_kg. prever ( entrada = 'Oi, e ai?' ) 
Agora, treine o modelo usando memória de conversação, fornecendo as informações como argumento de entrada para o método:
conversa_com_kg. prever (entrada = 'Meu nome é James e estou ajudando Will, ele é engenheiro'
)
Este é o momento de testar o modelo, solicitando às consultas que extraiam informações dos dados:
conversa_com_kg. prever ( entrada = 'Quem é Vontade' ) 
Trata-se de usar o gráfico de conhecimento de conversação no LangChain.
Conclusão
Para usar o gráfico de conhecimento de conversação em LangChain, instale os módulos ou estruturas para importar bibliotecas para usar o método ConversationKGMemory(). Em seguida, construa o modelo utilizando a memória para construir as cadeias e extrair informações dos dados de treinamento fornecidos na configuração. Este guia elaborou o processo de uso do gráfico de conhecimento de conversação no LangChain.