په پایتون غوښتنلیکونو کې د RAG پرمختللي آرکیټیکچرونو لپاره د لینګ چین ادغام

څیړنه

په دې وروستیو کلونو کې، د طبیعي ژبې د پروسس کولو ساحه (NLP) د پام وړ پرمختګونه لیدلي، په ځانګړې توګه د بیا ترلاسه کولو-Augmented Generation (RAG) سیسټمونو په ساحه کې. دې سیسټمونو هغه لاره بدله کړې چې موږ دندو ته نږدې کیږو لکه د پوښتنې ځواب ورکول ، د متن لنډیز ، او د خبرو اترو AI. LangChain، د Python یو عصري کتابتون، د RAG معمارۍ جوړولو لپاره د یوې پیاوړې وسیلې په توګه راڅرګند شوی. په دې مقاله کې، موږ به د LangChain نړۍ ته لاړ شو او د Python-based ویب چوکاټونو لکه FastAPI او فلاسک سره د هغې ادغام وپلټئ، پداسې حال کې چې د معلوماتو د ښه کولو او پروسس کولو لپاره د آرکیسټریشن وسیلو ګټه پورته کول.

LangChain څه شی دی؟

LangChain د خلاصې سرچینې Python کتابتون دی چې د RAG سیسټمونو پراختیا ساده کولو لپاره ډیزاین شوی. دا د AI ماډلونو جوړولو ، روزنې او پلي کولو لپاره د وسیلو او APIs پراخه سیټ چمتو کوي ، په بیله بیا د مختلف ډیټا سرچینو او ویب چوکاټونو سره یوځای کول. د LangChain لومړنی تمرکز د پراختیا کونکو وړ کولو باندې دی ترڅو د توزیع وړ او اغیزمن RAG جوړښتونه رامینځته کړي چې کولی شي پیچلي NLP دندې اداره کړي.

د لینګ چین کلیدي ځانګړتیاوې

1. موډل آرکیټیکچر: د LangChain ماډلر ډیزاین پراختیا کونکو ته اجازه ورکوي چې په اسانۍ سره د AI مختلف ماډلونه ، ډیټا سرچینې او ویب چوکاټونه مدغم کړي ، دا د پیچلي RAG سیسټمونو جوړولو لپاره غوره انتخاب جوړوي.
2. د آرکیسټریشن اوزار: LangChain د آرکیسټریشن یو لړ وسیلې وړاندې کوي چې پراختیا کونکو ته وړتیا ورکوي چې لوی ډیټاسیټونه اداره او پروسس کړي ، او همدارنګه د مختلف ډیټا سرچینو او APIs سره مدغم شي.
3. د څو AI موډلونو ملاتړ: LangChain د AI ماډلونو پراخه لړۍ ملاتړ کوي، په شمول د ټرانسفارمر پر بنسټ ماډلونه، پراختیا کونکو ته اجازه ورکوي چې د دوی د ځانګړي کارولو قضیې لپاره غوره ماډل غوره کړي.
4. د ویب چوکاټونو سره ادغام: LangChain د مشهور Python-based ویب چوکاټونو لکه FastAPI او Flask سره بې ځایه ادغام چمتو کوي، د ویب غوښتنلیکونو په توګه د RAG سیسټمونو ځای پرځای کول اسانه کوي.

د FastAPI او فلاسک سره د لینګ چین ادغام

د FastAPI او فلاسک سره د LangChain ادغام لپاره، موږ باید دا ګامونه تعقیب کړو:

1 ګام: LangChain نصب کړئ

لومړی، موږ اړتیا لرو د پایپ په کارولو سره LangChain نصب کړو:

باش pip نصب langchain

2 ګام: د LangChain اجنټ جوړ کړئ

بیا، موږ اړتیا لرو چې د LangChain اجنټ جوړ کړو چې زموږ د RAG سیسټم اصلي په توګه کار وکړي. دلته یو مثال دی چې څنګه یو بنسټیز ایجنټ جوړ کړئ:

``پېتون د langchain وارداتو اجنټ څخه

اجنټ = اجنټ( نوم = "زما_اجنټ" ماډل_نوم = "زما_موډل" model_type="transformer" max_length=1024, دقیقه اوږدوالی = 128، ) ``

دریم ګام: د FastAPI یا فلاسک سره یوځای کړئ

یوځل چې موږ خپل LangChain ایجنټ جوړ کړو، موږ کولی شو دا د FastAPI یا فلاسک سره مدغم کړو. دلته د FastAPI سره د مدغم کولو څرنګوالي یوه بیلګه ده:

``پېتون د فاسټاپي واردولو څخه FastAPI د langchain وارداتو اجنټ څخه

اپلیکیشن = FastAPI()

یو بنسټیز اجنټ جوړ کړئ

اجنټ = اجنټ( نوم = "زما_اجنټ" ماډل_نوم = "زما_موډل" model_type="transformer" max_length=1024, دقیقه اوږدوالی = 128، )

@app.get("/generate") async def generate_text(پرامپټ: str): # د متن تولید لپاره اجنټ وکاروئ output = agent.generate (پرامپټ) بیرته ستنیدنه {"output": output} ``

په ورته ډول، موږ کولی شو LangChain د فلاسک سره مدغم کړو:

``پېتون د فلاسک واردولو څخه فلاسک، غوښتنه د langchain وارداتو اجنټ څخه

app = فلاسک(نوم)

یو بنسټیز اجنټ جوړ کړئ

اجنټ = اجنټ( نوم = "زما_اجنټ" ماډل_نوم = "زما_موډل" model_type="transformer" max_length=1024, دقیقه اوږدوالی = 128، )

@app.route("/generate", methods=["GET"]) def generate_text(): # د متن تولید لپاره اجنټ وکاروئ prompt = request.args.get("prompt") output = agent.generate (پرامپټ) بیرته ستنیدنه {"output": output} ``

** په لینګ چین کې د آرکیسټریشن اوزار**

LangChain د آرکیسټریشن وسیلو لړۍ چمتو کوي چې پراختیا کونکو ته وړتیا ورکوي چې لوی ډیټاسیټونه اداره او پروسس کړي ، او همدارنګه د مختلف ډیټا سرچینو او APIs سره مدغم شي. په LangChain کې د آرکیسټریشن ځینې کلیدي وسایل پدې کې شامل دي:

1. د ډیټا سرچینې: LangChain د ډیټا سرچینې چمتو کوي چې پراختیا کونکو ته دا وړتیا ورکوي چې د مختلف ډیټا سرچینو او APIs سره مدغم شي ، لکه ډیټابیسونه ، د فایل سیسټمونه ، او ویب APIs.
2. ډاټا پروسس کونکي: LangChain د ډیټا پروسیسرونو لړۍ چمتو کوي چې پراختیا کونکو ته دا وړتیا ورکوي چې لوی ډیټاسیټونه پروسس کړي ، پشمول د ډیټا پاکول ، د ډیټا بدلون ، او د معلوماتو راټولول.
3. موډل آرکیسټریټرز: LangChain د ماډل آرکیسټرټرانو لړۍ چمتو کوي چې پراختیا کونکو ته وړتیا ورکوي چې د AI ماډلونه اداره او ځای په ځای کړي ، پشمول د ماډل روزنه ، د ماډل پلي کول او د ماډل نظارت.

د Chart.js سره لید

زموږ د RAG سیسټم فعالیت لیدلو لپاره، موږ کولی شو Chart.js وکاروو، د متقابل چارټونو جوړولو لپاره د جاواسکریپټ مشهور کتابتون. دلته زموږ د RAG سیسټم فعالیت لیدو لپاره د Chart.js کارولو څرنګوالي یوه بیلګه ده:

جاوا سکرپٹ const ctx = document.getElementById("myChart").getContext("2d"); const chart = نوی چارټ (ctx, { ډول: "لین" ډاټا: { لیبل: ["جنوري"، "فبروري"، "مار"، "اپریل"، "می"], ډاټاسیټونه: [ { لیبل: "دقت" ډاټا: [0.8، 0.9، 0.85، 0.88، 0.92]، د پس منظر رنګ: "rgba(255, 99, 132, 0.2)", د سرحد رنګ: "rgba(255, 99, 132, 1)", د سرحد عرض: 1 }، ]، }، اختیارونه: { ترازو: { y: { startAtZero: ریښتیا، }، }، }، }); ``

غوره 5-10 ډیری کارول شوي کمانډونه / ټوټې

دلته په LangChain کې د 5-10 ډیری کارول شوي کمانډونه / ټوټې دي:

1. د langchain وارداتو اجنټ څخه: د اجنټ ټولګي له LangChain څخه وارد کړئ.
2. agent = Agent(...): د اجنټ نوی مثال جوړ کړئ.
3. agent.generate(...): د متن د جوړولو لپاره له اجنټ څخه کار واخلئ.
4. agent.query(...): د اجنټ څخه د پوهې د بنسټ د پوښتنې لپاره کار واخلئ.
5. agent.train(...): اجنټ ته په ډیټا سیټ کې روزنه ورکړئ.
6. agent.deploy(...): اجنټ د ویب خدمت په توګه ځای په ځای کړئ.
7. agent.monitor(...): د اجنټ د فعالیت څارنه.
8. agent.update(...): اجنټ د نوي معلوماتو سره تازه کړئ.
9. agent.delete(...): د اجنټ مثال ړنګ کړئ.
10. agent.save(...): د اجنټ مثال په فایل کې خوندي کړئ.

پایله

پدې مقاله کې ، موږ د لینګ چین نړۍ او د Python-based ویب چوکاټونو لکه FastAPI او فلاسک سره د هغې ادغام پلټنه کړې. موږ په LangChain کې د آرکیسټریشن وسیلو کارولو په اړه هم بحث کړی او زموږ د RAG سیسټم فعالیت لیدو لپاره د Chart.js کارولو څرنګوالي مثالونه وړاندې کړي. د LangChain سره، پراختیا کونکي کولی شي د توزیع وړ او اغیزمن RAG جوړښتونه رامینځته کړي چې کولی شي د NLP پیچلي دندې اداره کړي.