Johdatus LangChain-ketjuihin
Ymmärtäkää LangChainin ketjujen käsite ja se, miten ne mahdollistavat monivaiheiset operaatiot LLM:ien kanssa.
Johdatus LangChain-ketjuihin on ilmainen Tekoälyagentit LangChainilla ja autonomiset työnkulut-oppitunti CoddyKitissä. Tämä on oppitunti 1/4. Voit lukea koko oppitunnin alta ilmaiseksi ja harjoitella sen jälkeen käytännössä selaimessa sisäänrakennetulla koodieditorilla ja ympäri vuorokauden käytettävissä olevan tekoälytuutorin avulla. Oppitunti kuuluu Tekoälyagentit LangChainilla ja autonomiset työnkulut-oppimispolkuun, ja edistymisesi synkronoituu verkon ja CoddyKit-sovelluksen välillä. Tekoälyagentit LangChainilla ja autonomiset työnkulut-kurssilla on yhteensä 4 oppituntia.
Mitä LangChain Chains ovat?
Tervetuloa tutustumaan LangChain Chains -ketjuihin! Kuvitelkaa, että tekoälyn tehtävänä on esimerkiksi kirjoittaa blogikirjoitus tai tiivistää pitkä asiakirja. Yksi komento suurelle kielimallille (LLM) ei välttämättä riitä.
Tässä astuvat kuvaan ”Chains”-ketjut. Niiden avulla monimutkaiset tekoälytehtävät voidaan jakaa pienemmiksi, hallittaviksi vaiheiksi, jotka suoritetaan tietyssä järjestyksessä. Niitä voi ajatella tekoälyn työnkulkujen suunnitelmina.
Miksi ketjuja tarvitaan
LLM on tehokas, mutta monivaiheiset ongelmat tai tietynlaista muotoilua edellyttävät vuorovaikutukset tarvitsevat enemmän rakennetta. Ketjut tarjoavat tämän rakenteen:
- Monivaiheisen päättelyn mahdollistaminen: LLM voi käsitellä tietoja toistuvasti vaihe vaiheelta.
- Komponenttien yhdistäminen: LLM:t voidaan yhdistää kehotteisiin, tulosteen jäsentimiin ja muihin työkaluihin.
- Jäsenneltyjen työnkulkujen rakentaminen: Tehtävät suoritetaan ennalta määritetyssä järjestyksessä, mikä helpottaa monimutkaisten sovellusten hallintaa.
Ketjut: peräkkäinen työnkulku
Ytimeltään ketju tarkoittaa peräkkäistä käsittelyä. Yhden vaiheen tulosteesta tulee automaattisesti seuraavan vaiheen syöte. Se on kuin tekoälytehtävien kokoonpanolinja.
Näin voitte rakentaa kehittyneitä sovelluksia yhdistämällä eri LangChain-komponentteja ja -toimintoja loogiseksi, vaiheittain eteneväksi työnkuluksi.
Ketjujen keskeiset komponentit
Ketjut yhdistävät yleensä erilaisia LangChain-komponentteja. Yleisimpiä niistä ovat:
- LLM:t: ”Aivot”, jotka tuottavat tekstiä tai vastauksia.
- Prompt Templatet: Jäsennellyt ohjeet, jotka ohjaavat LLM:n toimintaa.
- Output Parserit: Työkalut, joilla LLM:n raaka tekstimuotoinen tuloste muunnetaan käyttökelpoisempaan rakenteeseen (esim. JSON-muotoon tai luetteloksi).
Tässä oppitunnissa keskitymme LLM-malleihin ja Prompt Templateihin.
Yksinkertaisin ketju: LLMChain
LangChainin perustavanlaatuisin ketju on LLMChain. Se ottaa syötteen, muotoilee sen PromptTemplate-mallin avulla, välittää muotoillun kehotteen LLM:lle ja palauttaa tekstimuotoisen tulosteen.
Se on monien monimutkaisempien vuorovaikutusten perusrakennuspalikka ja erinomainen lähtökohta ketjujen ymmärtämiseen.
LLM:n ja kehotteen määrittäminen
Ennen LLMChainin rakentamista valmistellaan tarvittavat osat: LLM ja Prompt Template. Käytämme yksinkertaista kehotetta, jolla pyydämme LLM:ää sanomaan jotakin ystävällistä nimeltä mainitulle henkilölle.
Muistakaa korvata ”YOUR_OPENAI_API_KEY” omalla avaimellanne tai määrittää se ympäristömuuttujaksi.
import os
from langchain_openai import ChatOpenAI
from langchain_core.prompts import PromptTemplate
# Set your API key (replace with your actual key or env var)
os.environ["OPENAI_API_KEY"] = "YOUR_OPENAI_API_KEY"
# 1. Initialize the LLM (e.g., OpenAI's GPT-3.5)
llm = ChatOpenAI(temperature=0.7)
# 2. Define a Prompt Template
# '{name}' is the input variable for this prompt
prompt = PromptTemplate.from_template(
"Hello, my name is {name}. Can you say something nice to me?"
)
print("LLM and Prompt Template are ready!")LLMChainin luominen
Yhdistetään nyt LLM ja Prompt Template LLMChain-ketjuksi. Tämä ketju ottaa syötteenä ”name”-arvon, lisää sen kehotteeseen, lähettää kehotteen LLM:lle ja palauttaa LLM:n vastauksen.
langchain.chains-moduulin LLMChain-luokka yhdistää nämä kaksi komponenttia saumattomasti.
import os
from langchain_openai import ChatOpenAI
from langchain_core.prompts import PromptTemplate
from langchain.chains import LLMChain
# Set your API key (replace with your actual key or env var)
os.environ["OPENAI_API_KEY"] = "YOUR_OPENAI_API_KEY"
# 1. Initialize the LLM
llm = ChatOpenAI(temperature=0.7)
# 2. Define a Prompt Template
prompt = PromptTemplate.from_template(
"Hello, my name is {name}. Can you say something nice to me?"
)
# 3. Create the LLMChain
# The chain connects the prompt and the LLM
chain = LLMChain(llm=llm, prompt=prompt)
# 4. Invoke the chain with an input
# The input key 'name' must match the prompt variable
response = chain.invoke({"name": "Alice"})
print("Chain invoked successfully!")
print("Response:")
print(response["text"])Ketjun tulosteen ymmärtäminen
Huomaatte, että chain.invoke()-kutsun tuloste on sanakirja. Yksinkertainen LLMChain sisältää yleensä seuraavat tiedot:
- Antamanne syötemuuttujat (esim.
'name'). 'text': LLM:n kehotteen perusteella tuottama vastaus.
Jäsennelty tuloste helpottaa LLM:n vastauksen poimimista ja sen käyttämistä seuraavissa vaiheissa tai näyttämistä käyttäjälle.
LLMChainin hyödyt
Vaikka LLMChain on yksinkertainen, se tarjoaa merkittäviä hyötyjä:
- Hahmottaminen: Se kokoaa kehotteen ja LLM-logiikan siististi yhteen, mikä tekee koodista modulaarista.
- Luettavuus: Se tekee LLM-vuorovaikutuksista selkeämpiä ja helpommin ymmärrettäviä kuin suorat API-kutsut.
- Perusta: Se toimii perusrakennuspalikkana monimutkaisempien monivaiheisten ketjujen ja agenttien rakentamisessa.
Se auttaa järjestämään LLM-vuorovaikutukset tehokkaasti.
Pikatarkistus
Olette oppineet, että LangChain Chains auttaa järjestämään monivaiheisia toimintoja. Mikä seuraavista kuvaa parhaiten LLMChainin keskeistä tarkoitusta?
Kertaus: ketjut hallintaan!
Hienoa työtä! Tässä oppitunnissa opitte:
- LangChainin Chains-ketjujen käsitteen ja niiden käytön monivaiheisten tekoälytehtävien jäsentämiseen.
- Miksi ketjut ovat olennaisia monimutkaisten ja hallittujen LLM-työnkulkujen rakentamisessa.
- Ketjun tavallisesti muodostavat peruskomponentit (LLM:t ja Prompt Templatet).
- Kuinka luodaan ja suoritetaan yksinkertaisin ketju, LLMChain, yhdistämällä PromptTemplate ja LLM.
Seuraavaksi tutustumme siihen, miten useita LLMChain-ketjuja yhdistetään tehokkaammiksi peräkkäisiksi työnkuluiksi!
Opi Tekoälyagentit LangChainilla ja autonomiset työnkulut tekoälytuutorin avulla — ilmaiseksi
Kirjoita ja suorita oikeaa koodia selaimessa, saa välitöntä apua tekoälytuutorilta ympäri vuorokauden ja jatka siitä, mihin jäit, verkossa tai sovelluksessa.
- Kurssit
- 12
- Oppitunnit
- 50
Usein kysytyt kysymykset
Onko oppitunti ”Johdatus LangChain-ketjuihin” ilmainen?
Kyllä – oppitunnin ”Johdatus LangChain-ketjuihin” koko tekstin voi lukea täällä verkossa ilmaiseksi. Jos haluat harjoitella interaktiivisesti sisäänrakennetulla koodieditorilla ja ympäri vuorokauden käytettävissä olevan tekoälytuutorin avulla sekä avata koko Tekoälyagentit LangChainilla ja autonomiset työnkulut-kurssin, päivitä CoddyKit PROhon. Tekoälyagentit LangChainilla ja autonomiset työnkulut-kurssilla on yhteensä 4 oppituntia.
Mitä opin oppitunnilla ”Johdatus LangChain-ketjuihin”?
Ymmärtäkää LangChainin ketjujen käsite ja se, miten ne mahdollistavat monivaiheiset operaatiot LLM:ien kanssa. Harjoittelet Tekoälyagentit LangChainilla ja autonomiset työnkulut-aihetta koodilla, jonka suoritat suoraan selaimessa. Ympäri vuorokauden käytettävissä oleva tekoälytuutori vastaa kysymyksiisi oppitunnin aikana.
Tarvitsenko kokemusta aloittaakseni Tekoälyagentit LangChainilla ja autonomiset työnkulut-opiskelun?
Aiempi kokemus ei ole tarpeen. CoddyKitin Tekoälyagentit LangChainilla ja autonomiset työnkulut-oppimispolku sopii vasta-alkajista edistyneisiin, joten voit aloittaa tästä tai alusta ja edetä omaan tahtiisi. Tämä on oppitunti 1/4.
Kuinka kauan ”Johdatus LangChain-ketjuihin”-oppitunnin suorittaminen kestää?
Useimmat CoddyKitin oppitunnit kestävät noin 5–10 minuuttia. Jokainen oppitunti on lyhyt ja interaktiivinen, joten edistyt tasaisesti ja voit jatkaa siitä, mihin jäit – sekä verkossa että sovelluksessa.
Voinko kirjoittaa ja suorittaa koodia tällä Tekoälyagentit LangChainilla ja autonomiset työnkulut-oppitunnilla?
Kyllä. Jokainen Tekoälyagentit LangChainilla ja autonomiset työnkulut-oppitunti sisältää sisäänrakennetun koodieditorin, joten voit kirjoittaa ja suorittaa oikeaa koodia suoraan selaimessa ja saada välitöntä palautetta tekoälyltä – paikallista asennusta ei tarvita.
Kaikki tämän kurssin oppitunnit
- Johdatus LangChain-ketjuihin
- Peräkkäiset ja yksinkertaiset ketjut
- Ketjulogiikan mukauttaminen
- Reititys ja ehdolliset ketjut