Panduan ini akan menggambarkan proses penggunaan pilih oleh pemilih contoh Perkaitan Marginal Maksimum dalam LangChain.
Bagaimana untuk Menggunakan Select by Maximal Marginal Relevance (MMR) dalam LangChain?
Pemilih contoh Perkaitan Marginal Maksimum digunakan untuk mengekstrak maklumat menggunakan persamaan kosinus gesaan dan contoh. Persamaan kosinus dikira selepas menggunakan kaedah benam pada data dan menukar teks ke dalam bentuk berangka.
Untuk mengetahui proses menggunakan pemilih contoh MMR dalam LangChain, hanya melalui langkah yang disenaraikan:
Langkah 1: Pasang Modul
Mulakan proses dengan memasang kebergantungan LangChain menggunakan arahan pip:
pip pasang langchain
Pasang modul OpenAI untuk menggunakan persekitarannya untuk menggunakan kaedah OpenAIEmbedding():
pip pasang openai
Pasang rangka kerja FAISS yang boleh digunakan untuk mendapatkan output menggunakan persamaan semantik:
pip install faiss-gpu 
Sekarang, pasangkan tokenizer tiktoken untuk membahagikan teks kepada bahagian yang lebih kecil menggunakan kod berikut:
pip pasang tiktoken 
Langkah 2: Menggunakan Perpustakaan dan Contoh
Langkah seterusnya ialah mengimport perpustakaan untuk membina pemilih contoh MMR, FAISS, OpenAIEmbeddings dan PromptTemplate. Selepas mengimport perpustakaan, cuma buat set contoh yang memberikan input dan output untuk input masing-masing dalam berbilang tatasusunan:
daripada langchain. gesaan . contoh_pemilih import (MaxMarginalRelevanceExampleSelector ,
SemanticSimilarityExampleSelector ,
)
daripada langchain. kedai vektor import FAISS
daripada langchain. benam import OpenAIEmbeddings
daripada langchain. gesaan import FewShotPromptTemplate , PromptTemplate
contoh_prompt = PromptTemplate (
input_variables = [ 'input' , 'pengeluaran' ] ,
templat = 'Input: {input} \n Output: {output}' ,
)
contoh = [
{ 'input' : 'gembira' , 'pengeluaran' : 'sedih' } ,
{ 'input' : 'tinggi' , 'pengeluaran' : 'pendek' } ,
{ 'input' : 'bertenaga' , 'pengeluaran' : 'lesu' } ,
{ 'input' : 'cerah' , 'pengeluaran' : 'suram' } ,
{ 'input' : 'berangin' , 'pengeluaran' : 'tenang' } ,
]
Langkah 3: Membina Pemilih Contoh
Sekarang, mula membina pemilih contoh MMR menggunakan kaedah MaxMarginalRelevanceExampleSelector() yang mengandungi parameter berbeza:
contoh_pemilih = MaxMarginalRelevanceExampleSelector. daripada_contoh (contoh ,
OpenAIEmbeddings ( ) ,
FAISS ,
k = 2 ,
)
mmr_prompt = FewShotPromptTemplate (
contoh_pemilih = contoh_pemilih ,
contoh_prompt = contoh_prompt ,
awalan = 'Berikan antonim bagi setiap input' ,
akhiran = 'Input: {adjektif} \n Pengeluaran:' ,
input_variables = [ 'kata sifat' ] ,
)
Langkah 4: Menguji Pemilih Contoh MMR
Uji pemilih contoh MMR Perkaitan Marginal Maksimum dengan memanggilnya dalam kaedah print() dengan input:
cetak ( mmr_prompt. format ( kata sifat = 'risau' ) ) 
Langkah 5: Menggunakan SemanticSimilarity
Langkah ini menggunakan kaedah SemanticSimilarityExampleSelector() dan kemudian menggunakan kaedah FewShotPromptTemplate() yang disokong oleh LangChain:
contoh_pemilih = SemanticSimilarityExampleSelector. daripada_contoh (contoh ,
OpenAIEmbeddings ( ) ,
FAISS ,
k = 2 ,
)
serupa_prompt = FewShotPromptTemplate (
contoh_pemilih = contoh_pemilih ,
contoh_prompt = contoh_prompt ,
awalan = 'Berikan antonim bagi setiap input' ,
akhiran = 'Input: {adjektif} \n Pengeluaran:' ,
input_variables = [ 'kata sifat' ] ,
)
cetak ( serupa_prompt. format ( kata sifat = 'risau' ) )
Itu sahaja tentang menggunakan pilihan mengikut Perkaitan Marginal Maksimum atau MMR dalam LangChain.
Kesimpulan
Untuk menggunakan pilih mengikut Perkaitan Marginal Maksimum atau pemilih contoh MMR dalam LangChain, pasang modul yang diperlukan. Selepas itu, import perpustakaan untuk membina set contoh menggunakan templat gesaan input dan output. Bina pemilih contoh MMR untuk mengujinya menggunakan pemilih contoh MMR dan kaedah FewShotPromptTemplate() untuk mendapatkan output yang berkaitan. Panduan ini telah menggambarkan proses menggunakan pemilih contoh pilih-demi-MMR dalam LangChain.