Esquema rápido
Esta publicación demostrará lo siguiente:
- Cómo acceder a los pasos intermedios de un agente en LangChain
- Instalación de marcos
- Configuración del entorno OpenAI
- Importación de bibliotecas
- Construyendo LLM y Agente
- Usando el agente
- Método 1: tipo de devolución predeterminado para acceder a los pasos intermedios
- Método 2: usar 'volcados' para acceder a los pasos intermedios
- Conclusión
¿Cómo acceder a los pasos intermedios de un agente en LangChain?
Para construir el agente en LangChain, el usuario debe configurar sus herramientas y la estructura de la plantilla para obtener la cantidad de pasos involucrados en el modelo. El agente es responsable de automatizar los pasos intermedios como pensamientos, acciones, observaciones, etc. Para aprender cómo acceder a los pasos intermedios de un agente en LangChain, simplemente siga los pasos enumerados:
Paso 1: instalar marcos
En primer lugar, simplemente instale las dependencias de LangChain ejecutando el siguiente código en Python Notebook:
instalación de pip langchain_experimental
Instale el módulo OpenAI para obtener sus dependencias usando el pepita Comando y utilícelos para construir el modelo de lenguaje:
instalación de pip en openai
Paso 2: configurar el entorno OpenAI
Una vez instalados los módulos, configure el Entorno abierto de IA utilizando la clave API generada desde su cuenta:
importar tú
importar conseguir pase
tú. alrededor de [ 'OPENAI_API_KEY' ] = conseguir pase. conseguir pase ( 'Clave API de OpenAI:' )
Paso 3: Importar bibliotecas
Ahora que tenemos las dependencias instaladas, úselas para importar bibliotecas desde LangChain:
de cadena larga. agentes importar herramientas_cargade cadena larga. agentes importar agente_inicializar
de cadena larga. agentes importar Tipo de agente
de cadena larga. llms importar Abierto AI
Paso 4: crear un LLM y un agente
Una vez importadas las bibliotecas, es hora de utilizarlas para crear el modelo de lenguaje y las herramientas para el agente. Defina la variable llm y asígnela con el método OpenAI() que contiene los argumentos temperatura y nombre_modelo. El ' herramientas La variable ”contiene el método load_tools() con las herramientas SerpAPi y llm-math y el modelo de lenguaje en su argumento:
llm = Abierto AI ( temperatura = 0 , nombre del modelo = 'texto-davinci-002' )herramientas = herramientas_carga ( [ 'serpapi' , 'llm-matemáticas' ] , llm = llm )
Una vez configurados el modelo de lenguaje y las herramientas, simplemente diseñe el agente para realizar los pasos intermedios utilizando las herramientas del modelo de lenguaje:
agente = agente_inicializar (herramientas ,
llm ,
agente = Tipo de agente. ZERO_SHOT_REACT_DESCRIPTION ,
verboso = Verdadero ,
retorno_pasos_intermedios = Verdadero ,
)
Paso 5: usar el agente
Ahora, ponga a prueba al agente haciendo una pregunta en la entrada del método agent() y ejecutándola:
respuesta = agente ({
'aporte' : '¿Quién es la novia de Leo DiCaprio y cuál es su diferencia de edad?'
}
)
La modelo ha trabajado eficientemente para conseguir el nombre de la novia de Leo DiCaprio, su edad, la edad de Leo DiCaprio y la diferencia entre ellas. La siguiente captura de pantalla muestra varias preguntas y respuestas buscadas por el agente para llegar a la respuesta final:
La captura de pantalla anterior no muestra el funcionamiento del agente ni cómo llega a esa etapa para encontrar todas las respuestas. Pasemos a la siguiente sección para encontrar los pasos:
Método 1: tipo de devolución predeterminado para acceder a los pasos intermedios
El primer método para acceder al paso intermedio es utilizar el tipo de devolución predeterminado que ofrece LangChain mediante el siguiente código:
imprimir ( respuesta [ 'pasos_intermedios' ] )El siguiente GIF muestra los pasos intermedios en una sola línea, lo que no es del todo bueno en lo que respecta al aspecto de legibilidad:
Método 2: usar 'volcados' para acceder a los pasos intermedios
El siguiente método explica otra forma de obtener los pasos intermedios utilizando la biblioteca de volcado del marco LangChain. Utilice el método dumps() con el argumento Pretty para que el resultado sea más estructurado y fácil de leer:
de cadena larga. carga . vertedero importar deshechoimprimir ( deshecho ( respuesta [ 'pasos_intermedios' ] , bonito = Verdadero ) )
Ahora tenemos el resultado en una forma más estructurada que el usuario puede leer fácilmente. También está dividido en varias secciones para que tenga más sentido y cada sección contiene los pasos para encontrar respuestas a las preguntas:
Se trata de acceder a los pasos intermedios de un agente en LangChain.
Conclusión
Para acceder a los pasos intermedios de un agente en LangChain, instale los módulos para importar bibliotecas para crear modelos de lenguaje. Después de eso, configure las herramientas para inicializar el agente utilizando las herramientas, la película y el tipo de agente que pueda responder las preguntas. Una vez que el agente esté configurado, pruébelo para obtener las respuestas y luego use el tipo predeterminado o la biblioteca de volcados para acceder a los pasos intermedios. Esta guía ha detallado el proceso de acceso a los pasos intermedios de un agente en LangChain.