ପାଇଥନ୍ ପ୍ରୟୋଗଗୁଡ଼ିକରେ ଉନ୍ନତ RAG ସ୍ଥାପତ୍ୟ ପାଇଁ LangChain କୁ ଏକୀକୃତ କରିବା

ସମୀକ୍ଷା

ସାମ୍ପ୍ରତିକ ବର୍ଷଗୁଡିକରେ, ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣ (NLP) କ୍ଷେତ୍ରରେ ବିଶେଷ ଅଗ୍ରଗତିର ସାକ୍ଷୀ ହୋଇଛି, ବିଶେଷକରି ପୁନରୁଦ୍ଧାର-ଅଗମେଣ୍ଟେଡ୍ ଜେନେରେସନ୍ (RAG) ସିଷ୍ଟମ୍ କ୍ଷେତ୍ରରେ | ପ୍ରଶ୍ନଗୁଡିକର ଉତ୍ତର, ପାଠ୍ୟ ସାରାଂଶ ଏବଂ କଥାବାର୍ତ୍ତା ଏ.ଆଇ ପରି କାର୍ଯ୍ୟଗୁଡିକ ନିକଟକୁ ଯିବା ପାଇଁ ଏହି ସିଷ୍ଟମଗୁଡିକ ବ revolution ପ୍ଳବିକ ପରିବର୍ତ୍ତନ ଆଣିଛି | ଲାଙ୍ଗ୍ ଚେନ୍, ଏକ ଅତ୍ୟାଧୁନିକ ପାଇଥନ୍ ଲାଇବ୍ରେରୀ, RAG ସ୍ଥାପତ୍ୟ ନିର୍ମାଣ ପାଇଁ ଏକ ଶକ୍ତିଶାଳୀ ଉପକରଣ ଭାବରେ ଉଭା ହୋଇଛି | ଏହି ଆର୍ଟିକିଲରେ, ଆମେ ଲ୍ୟାଙ୍ଗଚେନ ଦୁନିଆକୁ ଅନୁଧ୍ୟାନ କରିବୁ ଏବଂ ଫାଷ୍ଟପି ଏବଂ ଫ୍ଲାସ୍କ ପରି ପାଇଥନ୍-ଆଧାରିତ ୱେବ୍ framework ାଞ୍ଚା ସହିତ ଏହାର ଏକୀକରଣ ଅନୁସନ୍ଧାନ କରିବୁ, ଯେତେବେଳେ ଉନ୍ନତ ତଥ୍ୟ ପୁନରୁଦ୍ଧାର ଏବଂ ପ୍ରକ୍ରିୟାକରଣ ପାଇଁ ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଟୁଲ୍ ବ୍ୟବହାର କରୁ |

ଲାଙ୍ଗ୍ ଚେନ୍ କ’ଣ?

ଲ୍ୟାଙ୍ଗ ଚେନ୍ ହେଉଛି ଏକ ମୁକ୍ତ ଉତ୍ସ ପାଇଥନ୍ ଲାଇବ୍ରେରୀ ଯାହାକି RAG ସିଷ୍ଟମର ବିକାଶକୁ ସରଳ କରିବା ପାଇଁ ପରିକଳ୍ପିତ | AI ମଡେଲ ଗଠନ, ତାଲିମ ଏବଂ ନିୟୋଜନ ପାଇଁ ଏହା ବିଭିନ୍ନ ତଥ୍ୟ ଉତ୍ସ ଏବଂ ୱେବ୍ framework ାଞ୍ଚା ସହିତ ଏକୀକରଣ କରିବା ପାଇଁ ଏହା ଏକ ବିସ୍ତୃତ ଉପକରଣ ଏବଂ API ପ୍ରଦାନ କରେ | ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ର ପ୍ରାଥମିକ ଧ୍ୟାନ ହେଉଛି ବିକାଶକାରୀମାନଙ୍କୁ ମାପନୀୟ ଏବଂ ଦକ୍ଷ RAG ସ୍ଥାପତ୍ୟ ସୃଷ୍ଟି କରିବାକୁ ସକ୍ଷମ କରିବା ଯାହା ଜଟିଳ NLP କାର୍ଯ୍ୟଗୁଡ଼ିକୁ ପରିଚାଳନା କରିପାରିବ |

LangChain ର ମୁଖ୍ୟ ବ Features ଶିଷ୍ଟ୍ୟଗୁଡିକ

। ୨। 3। ** ଏକାଧିକ AI ମଡେଲଗୁଡିକ ପାଇଁ ସମର୍ଥନ **: ଲ୍ୟାଙ୍ଗଚେନ ବିଭିନ୍ନ ପ୍ରକାରର AI ମଡେଲଗୁଡିକୁ ସମର୍ଥନ କରେ, ଟ୍ରାନ୍ସଫର୍ମର-ଆଧାରିତ ମଡେଲଗୁଡିକ, ଡେଭଲପର୍ମାନଙ୍କୁ ସେମାନଙ୍କର ନିର୍ଦ୍ଦିଷ୍ଟ ବ୍ୟବହାର ମାମଲା ପାଇଁ ସର୍ବୋତ୍ତମ ମଡେଲ୍ ବାଛିବା ପାଇଁ ଅନୁମତି ଦିଏ | 4। ** ୱେବ୍ ଫ୍ରେମୱାର୍କ ସହିତ ଏକୀକରଣ **: ଲ୍ୟାଙ୍ଗ ଚେନ୍ ଫାଷ୍ଟପି ଏବଂ ଫ୍ଲାସ୍କ ପରି ଲୋକପ୍ରିୟ ପାଇଥନ୍-ଆଧାରିତ ୱେବ୍ framework ାଞ୍ଚା ସହିତ ନିରବିହୀନ ଏକୀକରଣ ପ୍ରଦାନ କରିଥାଏ, ଯାହାକି ୱେବ୍ ପ୍ରୟୋଗ ଭାବରେ RAG ସିଷ୍ଟମକୁ ନିୟୋଜନ କରିବା ସହଜ କରିଥାଏ |

FastAPI ଏବଂ Flask ସହିତ LangChain କୁ ଏକୀକୃତ କରିବା

ଫାଷ୍ଟପିଏ ଏବଂ ଫ୍ଲାସ୍କ ସହିତ ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ କୁ ଏକୀକୃତ କରିବାକୁ, ଆମକୁ ଏହି ପଦକ୍ଷେପଗୁଡିକ ଅନୁସରଣ କରିବାକୁ ପଡିବ:

ପଦାଙ୍କ 1: LangChain ସଂସ୍ଥାପନ କରନ୍ତୁ |

ପ୍ରଥମେ, ଆମକୁ ପାଇପ୍ ବ୍ୟବହାର କରି LangChain ସଂସ୍ଥାପନ କରିବାକୁ ପଡିବ:

bash ପାଇପ୍ ଇନଷ୍ଟଲ୍ ଲ୍ୟାଙ୍ଗଚେନ୍ |

ଷ୍ଟେପ୍ 2: ଏକ ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରନ୍ତୁ |

ପରବର୍ତ୍ତୀ ସମୟରେ, ଆମକୁ ଏକ ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରିବାକୁ ପଡିବ ଯାହା ଆମର RAG ସିଷ୍ଟମର ମୂଳ ଭାବରେ କାର୍ଯ୍ୟ କରିବ | ଏକ ମ basic ଳିକ ଏଜେଣ୍ଟ କିପରି ସୃଷ୍ଟି କରାଯିବ ତାହାର ଏକ ଉଦାହରଣ ଏଠାରେ ଅଛି:

"ପାଇଥନ୍ | langchain ଆମଦାନି ଏଜେଣ୍ଟରୁ |

ଏଜେଣ୍ଟ = ଏଜେଣ୍ଟ ( ନାମ = "my_agent", model_name = "my_model", model_type = "ଟ୍ରାନ୍ସଫର୍ମର", max_length = 1024, min_length = 128, ) ``

ଷ୍ଟେପ୍ 3: FastAPI କିମ୍ବା Flask ସହିତ ଏକୀଭୂତ |

ଥରେ ଆମେ ଆମର ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରିସାରିବା ପରେ, ଆମେ ଏହାକୁ ଫାଷ୍ଟ୍ୟାପି କିମ୍ବା ଫ୍ଲାସ୍କ ସହିତ ଏକୀକୃତ କରିପାରିବା | ଏହାକୁ FastAPI ସହିତ କିପରି ସଂଯୋଗ କରାଯିବ ତାହାର ଏକ ଉଦାହରଣ ଏଠାରେ ଅଛି:

"ପାଇଥନ୍ | ଫାଷ୍ଟାପି ଆମଦାନୀ FastAPI ରୁ | langchain ଆମଦାନି ଏଜେଣ୍ଟରୁ |

app = FastAPI ()

ଏକ ମ basic ଳିକ ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରନ୍ତୁ |

ଏଜେଣ୍ଟ = ଏଜେଣ୍ଟ ( ନାମ = "my_agent", model_name = "my_model", model_type = "ଟ୍ରାନ୍ସଫର୍ମର", max_length = 1024, min_length = 128, )

@ app.get ("/ ସୃଷ୍ଟି") async def generate_text (ପ୍ରମ୍ପ୍ଟ: str): # ପାଠ ସୃଷ୍ଟି କରିବାକୁ ଏଜେଣ୍ଟ ବ୍ୟବହାର କରନ୍ତୁ | ଆଉଟପୁଟ୍ = ଏଜେଣ୍ଟ। ଜେନେରେଟ୍ (ପ୍ରମ୍ପ୍ଟ) ଫେରସ୍ତ {"ଆଉଟପୁଟ୍": ଆଉଟପୁଟ୍} ``

ସେହିପରି ଭାବରେ, ଆମେ ଫ୍ଲାସ୍କ୍ ସହିତ ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ସଂଯୋଗ କରିପାରିବା:

"ପାଇଥନ୍ | ଫ୍ଲାସ୍କ ଆମଦାନି ଫ୍ଲାସ୍କରୁ, ଅନୁରୋଧ | langchain ଆମଦାନି ଏଜେଣ୍ଟରୁ |

ଆପ୍ = ଫ୍ଲାସ୍କ (__ ନାମ__)

ଏକ ମ basic ଳିକ ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରନ୍ତୁ |

ଏଜେଣ୍ଟ = ଏଜେଣ୍ଟ ( ନାମ = "my_agent", model_name = "my_model", model_type = "ଟ୍ରାନ୍ସଫର୍ମର", max_length = 1024, min_length = 128, )

@ app.route ("/ ସୃଷ୍ଟି", ପଦ୍ଧତି = ["GET"]) def generate_text (): # ପାଠ ସୃଷ୍ଟି କରିବାକୁ ଏଜେଣ୍ଟ ବ୍ୟବହାର କରନ୍ତୁ | prompt = request.args.get ("ପ୍ରମ୍ପ୍ଟ") ଆଉଟପୁଟ୍ = ଏଜେଣ୍ଟ। ଜେନେରେଟ୍ (ପ୍ରମ୍ପ୍ଟ) ଫେରସ୍ତ {"ଆଉଟପୁଟ୍": ଆଉଟପୁଟ୍} ``

LangChain ରେ ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଉପକରଣଗୁଡିକ

ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ଏକ ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଟୁଲ୍ ପ୍ରଦାନ କରେ ଯାହା ଡେଭଲପର୍ମାନଙ୍କୁ ବଡ଼ ଡାଟାବେସ୍ ପରିଚାଳନା ଏବଂ ପ୍ରକ୍ରିୟାକରଣ କରିବା ସହିତ ବିଭିନ୍ନ ଡାଟା ଉତ୍ସ ଏବଂ API ସହିତ ଏକୀଭୂତ କରିବାକୁ ସକ୍ଷମ କରିଥାଏ | LangChain ର କେତେକ ପ୍ରମୁଖ ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଉପକରଣଗୁଡ଼ିକ ଅନ୍ତର୍ଭୁକ୍ତ:

। ୨। ।।

Chart.js ସହିତ ଭିଜୁଆଲାଇଜେସନ୍

ଆମର RAG ସିଷ୍ଟମର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଭିଜୁଆଲ୍ କରିବାକୁ, ଆମେ ଇଣ୍ଟରାକ୍ଟିଭ୍ ଚାର୍ଟ ସୃଷ୍ଟି ପାଇଁ ଏକ ଲୋକପ୍ରିୟ ଜାଭାସ୍କ୍ରିପ୍ଟ ଲାଇବ୍ରେରୀ Chart.js ବ୍ୟବହାର କରିପାରିବା | ଆମର RAG ସିଷ୍ଟମର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଭିଜୁଆଲ୍ କରିବା ପାଇଁ Chart.js କୁ କିପରି ବ୍ୟବହାର କରାଯିବ ତାହାର ଏକ ଉଦାହରଣ ଏଠାରେ ଅଛି:

"ଜାଭାସ୍କ୍ରିପ୍ଟ const ctx = document.getElementById ("myChart")। getContext ("2d"); const ଚାର୍ଟ = ନୂତନ ଚାର୍ଟ (ctx, { ପ୍ରକାର: "ରେଖା", ତଥ୍ୟ: { ଲେବଲ୍: ["ଜାନ", "ଫେବୃଆରୀ", "ମାର୍", "ଏପ୍ରିଲ୍", "ମେ"], ଡାଟାବେସ୍: [ { ଲେବଲ୍: "ସଠିକତା", ତଥ୍ୟ: [0.8, 0.9, 0.85, 0.88, 0.92], ପୃଷ୍ଠଭୂମି ରଙ୍ଗ: "rgba (255, 99, 132, 0.2)", borderColor: "rgba (255, 99, 132, 1)", ସୀମା ଓସାର: 1, }, ], }, ବିକଳ୍ପଗୁଡିକ: { ମାପ: { y: { startAtZero: ସତ, }, }, }, }); ``

ଶ୍ରେଷ୍ଠ 5-10 ସର୍ବାଧିକ ବ୍ୟବହୃତ ନିର୍ଦ୍ଦେଶ / ସ୍ନିପେଟ୍

LangChain ରେ ସର୍ବାଧିକ 5-10 ସର୍ବାଧିକ ବ୍ୟବହୃତ କମାଣ୍ଡ / ସ୍ନିପେଟ୍ ଏଠାରେ ଅଛି:

1। 2। "ଏଜେଣ୍ଟ = ଏଜେଣ୍ଟ (...)": ଏକ ନୂତନ ଏଜେଣ୍ଟ ଉଦାହରଣ ସୃଷ୍ଟି କରନ୍ତୁ | 3। "Agent.generate (...)": ପାଠ୍ୟ ସୃଷ୍ଟି କରିବାକୁ ଏଜେଣ୍ଟ ବ୍ୟବହାର କରନ୍ତୁ | 4। "Agent.query (...)": ଏକ ଜ୍ଞାନ ଆଧାରକୁ ପଚାରିବା ପାଇଁ ଏଜେଣ୍ଟକୁ ବ୍ୟବହାର କରନ୍ତୁ | 5। "Agent.train (...)": ଏକ ଡାଟାବେସରେ ଏଜେଣ୍ଟକୁ ତାଲିମ ଦିଅ | 6। "Agent.deploy (...)": ଏକ ୱେବ୍ ସେବା ଭାବରେ ଏଜେଣ୍ଟକୁ ନିୟୋଜିତ କରନ୍ତୁ | 7। "Agent.monitor (...)": ଏଜେଣ୍ଟର କାର୍ଯ୍ୟଦକ୍ଷତା ଉପରେ ନଜର ରଖନ୍ତୁ | 8। "Agent.update (...)": ନୂତନ ତଥ୍ୟ ସହିତ ଏଜେଣ୍ଟକୁ ଅଦ୍ୟତନ କରନ୍ତୁ | 9। "Agent.delete (...)": ଏଜେଣ୍ଟ ଉଦାହରଣ ବିଲୋପ କରନ୍ତୁ | 10। "Agent.save (...)": ଏଜେଣ୍ଟ ଇନଷ୍ଟାଣ୍ଟକୁ ଏକ ଫାଇଲରେ ସେଭ୍ କରନ୍ତୁ |

ସିଦ୍ଧାନ୍ତ

ଏହି ଆର୍ଟିକିଲରେ, ଆମେ ଲାଙ୍ଗଚେନ ଦୁନିଆ ଏବଂ ଫାଷ୍ଟପି ଏବଂ ଫ୍ଲାସ୍କ ପରି ପାଇଥନ୍-ଆଧାରିତ ୱେବ୍ framework ାଞ୍ଚା ସହିତ ଏହାର ଏକୀକରଣ ବିଷୟରେ ଅନୁସନ୍ଧାନ କରିଛୁ | ଆମେ ଲ୍ୟାଙ୍ଗଚେନରେ ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଉପକରଣଗୁଡିକର ବ୍ୟବହାର ବିଷୟରେ ମଧ୍ୟ ଆଲୋଚନା କରିଛୁ ଏବଂ ଆମର RAG ସିଷ୍ଟମର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଭିଜୁଆଲ୍ କରିବା ପାଇଁ Chart.js କୁ କିପରି ବ୍ୟବହାର କରାଯିବ ତାହାର ଉଦାହରଣ ପ୍ରଦାନ କରିଛୁ | LangChain ସହିତ, ବିକାଶକାରୀମାନେ ମାପନୀୟ ଏବଂ ଦକ୍ଷ RAG ସ୍ଥାପତ୍ୟ ନିର୍ମାଣ କରିପାରିବେ ଯାହା ଜଟିଳ NLP କାର୍ଯ୍ୟଗୁଡ଼ିକୁ ପରିଚାଳନା କରିପାରିବ |