Python programmalarynda ösen RAG arhitekturasy üçin LangChain-i birleşdirmek

Gysgaça syn

Soňky ýyllarda Tebigy dilleri gaýtadan işlemek (NLP) pudagy, esasanam Gözleg-giňeldilen nesil (RAG) ulgamynda möhüm ösüşlere şaýat boldy. Bu ulgamlar, soraglara jogap bermek, teksti jemlemek we gepleşik AI ýaly meselelere çemeleşişimizi özgertdi. Öňdebaryjy Python kitaphanasy LangChain, RAG arhitekturasyny gurmak üçin güýçli gural hökmünde ýüze çykdy. Bu makalada, LangChain dünýäsine göz aýlarys we maglumatlary gözlemek we gaýtadan işlemek üçin orkestr gurallaryny peýdalanmak bilen bir hatarda, FastAPI we Flask ýaly Python esasly web çarçuwalary bilen integrasiýasyny öwreneris.

LangChain näme?

LangChain, RAG ulgamlarynyň ösüşini ýönekeýleşdirmek üçin döredilen açyk çeşme Python kitaphanasydyr. AI modellerini gurmak, taýýarlamak we ýerleşdirmek, şeýle hem olary dürli maglumatlar çeşmeleri we web çarçuwalary bilen birleşdirmek üçin gurallaryň we API-leriň toplumlaýyn toplumyny üpjün edýär. LangChain-iň esasy maksady, çylşyrymly NLP meselelerini çözüp bilýän ulaldylan we täsirli RAG arhitekturasyny döretmäge mümkinçilik berýänlere.

LangChain-iň esasy aýratynlyklary

2. ** Orkestr gurallary **: LangChain döredijilere uly maglumat bazalaryny dolandyrmaga we gaýtadan işlemäge, şeýle hem dürli maglumatlar çeşmeleri we API-ler bilen birleşmäge mümkinçilik berýän birnäçe orkestr gurallaryny hödürleýär.
3. ** Birnäçe AI modellerine goldaw **: LangChain, AI modelleriniň köpüsini, şol sanda transformator esasly modelleri goldaýar, döredijilere aýratyn ulanylyş ýagdaýy üçin iň gowy modeli saýlamaga mümkinçilik berýär.
4. ** Web çarçuwalary bilen integrasiýa **: LangChain, FastAPI we Flask ýaly meşhur Python esasly web çarçuwalary bilen üznüksiz integrasiýa üpjün edýär, RAG ulgamlaryny web programmalary hökmünde ýerleşdirmegi aňsatlaşdyrýar.

LangChain-i FastAPI we Flask bilen birleşdirmek

LangChain-i FastAPI we Flask bilen birleşdirmek üçin şu ädimleri ýerine ýetirmeli:

1-nji ädim: LangChain guruň

Ilki bilen, “LangChain” -i turba ulanyp gurmaly:

bash turba gurmak

2-nji ädim: LangChain agentini dörediň

Ondan soň, RAG ulgamymyzyň özeni bolup hyzmat etjek LangChain agentini döretmeli. Ine, esasy agenti nädip döretmelidiginiň mysaly:

`` piton langchain import agentinden

agent = Agent ( name = "my_agent", model_name = "my_model", model_type = "transformator", max_length = 1024, min_length = 128, ) ``

3-nji ädim: FastAPI ýa-da Flask bilen birleşiň

LangChain agentimizi döredenimizden soň, ony FastAPI ýa-da Flask bilen birleşdirip bileris. Ine, ony “FastAPI” bilen nädip birikdirmelidiginiň bir mysaly:

`` piton fastapi importyndan FastAPI langchain import agentinden

programma = FastAPI ()

Esasy agent dörediň

agent = Agent ( name = "my_agent", model_name = "my_model", model_type = "transformator", max_length = 1024, min_length = 128, )

@ app.get ("/ döretmek") async def generate_text (haýyş: str): # Tekst döretmek üçin agenti ulanyň çykyş = agent.generate (haýyş) gaýtarma {"çykyş": çykyş} ``

Edil şonuň ýaly, LangChain-i Flask bilen birleşdirip bileris:

`` piton çüýşe importdan Flask, haýyş langchain import agentinden

programma = Flask (__ name__)

Esasy agent dörediň

agent = Agent ( name = "my_agent", model_name = "my_model", model_type = "transformator", max_length = 1024, min_length = 128, )

@ app.route ("/ öndürmek", usullar = ["GET"]) def generate_text (): # Tekst döretmek üçin agenti ulanyň prompt = request.args.get ("haýyş") çykyş = agent.generate (haýyş) gaýtarma {"çykyş": çykyş} ``

LangChain-de orkestr gurallary

“LangChain” döredijilere uly maglumat bazalaryny dolandyrmaga we gaýtadan işlemäge, şeýle hem dürli maglumatlar çeşmeleri we API-ler bilen birleşmäge mümkinçilik berýän birnäçe orkestr gurallaryny hödürleýär. LangChain-de esasy orkestr gurallarynyň käbiri:

1. ** Maglumat çeşmeleri **: LangChain döredijilere maglumatlar bazalary, faýl ulgamlary we web API-leri ýaly dürli maglumatlar çeşmeleri we API-ler bilen birleşmäge mümkinçilik berýän birnäçe maglumat çeşmesini hödürleýär.
2. ** Maglumat prosessorlary **: LangChain döredijilere maglumatlary arassalamak, maglumatlary üýtgetmek we maglumatlary jemlemek ýaly uly maglumatlar bazalaryny gaýtadan işlemäge mümkinçilik berýän birnäçe maglumat prosessorlaryny hödürleýär.
3. ** Model orkestrleri **: LangChain döredijilere AI modellerini dolandyrmaga we ýerleşdirmäge mümkinçilik berýän bir topar model orkestrini hödürleýär, şol sanda model okuwy, modeliň ýerleşdirilmegi we model gözegçiligi.

Chart.js bilen wizuallaşdyrma

RAG ulgamymyzyň işleýşini göz öňüne getirmek üçin interaktiw diagrammalary döretmek üçin meşhur JavaScript kitaphanasy Chart.js ulanyp bileris. Ine, RAG ulgamymyzyň işleýşini göz öňüne getirmek üçin Chart.js-den nädip peýdalanmalydygynyň mysaly:

javascript const ctx = document.getElementById ("myChart"). getContext ("2d"); const diagramma = täze diagramma (ctx, { görnüşi: "setir", maglumatlar: { ýazgylary: ["" an "," Fewral "," Mar "," Apr "," Maý "], maglumat bazalary: [ { belligi: "Takyklyk", maglumatlar: [0.8, 0.9, 0.85, 0.88, 0.92], backgroundColor: "rgba (255, 99, 132, 0.2)", borderColor: "rgba (255, 99, 132, 1)", serhet giňligi: 1, }, ], }, opsiýalar: { terezisi: { y: { startAtZero: dogry, }, }, }, });

Iň köp ulanylýan buýruklar / bölekler

LangChain-de iň köp ulanylýan 5-10 buýruk / bölek:

1. "Langchain import Agent" -den: "LangChain" -den Agent synpyny import ediň.
2. "Agent = Agent (...)": Täze Agent mysal dörediň.
3. "Agent.generate (...)": Tekst döretmek üçin Agenti ulanyň.
4. "Agent.query (...)": Bilim bazasyny soramak üçin Agenti ulanyň.
5. "Agent.train (...)": Agenti maglumat bazasyna öwrediň.
6. "Agent.deploy (...)": Agenti web hyzmaty hökmünde ýerleşdiriň.
7. "Agent.monitor (...)": Agentiň işine gözegçilik ediň.
8. "Agent.update (...)": Agenti täze maglumatlar bilen täzeläň.
9. "Agent.delete (...)": Agent mysalyny pozuň.
10. "Agent.save (...)": Agent mysalyny faýla ýazdyryň.

Netije

Bu makalada LangChain dünýäsini we onuň FastAPI we Flask ýaly Python esasly web çarçuwalary bilen integrasiýasyny öwrendik. Şeýle hem, LangChain-de orkestr gurallarynyň ulanylyşyny ara alyp maslahatlaşdyk we RAG ulgamymyzyň işini göz öňüne getirmek üçin Chart.js-den nädip peýdalanmalydygyny mysallar bilen üpjün etdik. “LangChain” bilen döredijiler çylşyrymly NLP meselelerini çözüp bilýän ulalýan we täsirli RAG arhitekturasyny gurup bilerler.