ଲାଙ୍ଗ୍ ଚେନ୍ ସହିତ ଇଣ୍ଟେଲିଜେଣ୍ଟ୍ ଏଜେଣ୍ଟ୍ ଗଠନ: ରିଅଲ୍-ୱାର୍ଲ୍ଡ ଆପ୍ଲିକେସନ୍ ପାଇଁ LLM ଗୁଡ଼ିକର ଅର୍କେଷ୍ଟ୍ରିଂ

ପରିଚୟ

ବଡ଼ ଭାଷା ମଡେଲଗୁଡିକ (LLMs) ର ଆଗମନ ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣ (NLP) କ୍ଷେତ୍ରରେ ବ ized ପ୍ଳବିକ ପରିବର୍ତ୍ତନ ଆଣିଛି ଏବଂ ମାନବ ଭାଷା ସହିତ ବୁ understand ିପାରେ, ସୃଷ୍ଟି କରିପାରିବ ଏବଂ ଯୋଗାଯୋଗ କରିପାରିବ ବୋଲି ବୁଦ୍ଧିମାନ ଏଜେଣ୍ଟମାନଙ୍କର ବିକାଶ ପାଇଁ ନୂତନ ରାସ୍ତା ଖୋଲିଛି | LangChain ହେଉଛି ଏକ ପାଇଥନ୍ ଲାଇବ୍ରେରୀ ଯାହା LLM ଗୁଡ଼ିକୁ ବ୍ୟବହାର କରୁଥିବା ବୁଦ୍ଧିମାନ ଏଜେଣ୍ଟ ଗଠନ ପାଇଁ ଏକ ନମନୀୟ ଏବଂ ମାପନୀୟ framework ାଞ୍ଚା ପ୍ରଦାନ କରିଥାଏ | ଏହି ଆର୍ଟିକିଲରେ, ଆମେ ବୁଦ୍ଧିମାନ ଏଜେଣ୍ଟଗୁଡିକର ବିକାଶ ପାଇଁ ଲ୍ୟାଙ୍ଗଚେନର ଏକୀକରଣକୁ ଅନୁସନ୍ଧାନ କରିବୁ, ବ୍ୟବହାରିକ କାର୍ଯ୍ୟକାରିତା କ ies ଶଳ, ଅର୍କେଷ୍ଟ୍ରେସନ୍ କ ques ଶଳ ଉପରେ ଧ୍ୟାନ ଦେଇ ସଫ୍ଟୱେୟାର ଇଞ୍ଜିନିୟରିଂରେ ମାମଲା ବ୍ୟବହାର କରିବୁ |

ବୁଦ୍ଧିଜୀବୀ ଏଜେଣ୍ଟଗୁଡିକ କ’ଣ?

ବୁଦ୍ଧିଜୀବୀ ଏଜେଣ୍ଟଗୁଡିକ ହେଉଛି ସଫ୍ଟୱେର୍ ପ୍ରୋଗ୍ରାମ୍ ଯାହା ସେମାନଙ୍କର ପରିବେଶକୁ ବୁ perceive ିପାରେ, ସେମାନେ ଗ୍ରହଣ କରୁଥିବା ସୂଚନା ବିଷୟରେ କାରଣ ଏବଂ ସେମାନଙ୍କର ଲକ୍ଷ୍ୟ ହାସଲ ପାଇଁ କାର୍ଯ୍ୟାନୁଷ୍ଠାନ ଗ୍ରହଣ କରିପାରନ୍ତି | ସେଗୁଡିକ ସ୍ autonomous ୟଂଶାସିତ ନିଷ୍ପତ୍ତି ନିର୍ମାତା ଭାବରେ ଚିନ୍ତା କରାଯାଇପାରେ ଯାହା ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଉଦ୍ଦେଶ୍ୟ ହାସଲ କରିବାକୁ ଉପଭୋକ୍ତା, ଅନ୍ୟ ଏଜେଣ୍ଟ, କିମ୍ବା ସିଷ୍ଟମ୍ ସହିତ ଯୋଗାଯୋଗ କରିପାରିବ | ବୁଦ୍ଧିଜୀବୀ ଏଜେଣ୍ଟମାନଙ୍କୁ ବିଭିନ୍ନ ପ୍ରକାରରେ ବିଭକ୍ତ କରାଯାଇପାରେ, ଅନ୍ତର୍ଭୁକ୍ତ କରି:

• ** ନିୟମ-ଆଧାରିତ ଏଜେଣ୍ଟ **: ଏହି ଏଜେଣ୍ଟମାନେ ନିଷ୍ପତ୍ତି ନେବା ପାଇଁ ପୂର୍ବ-ନିର୍ଦ୍ଦିଷ୍ଟ ନିୟମ ବ୍ୟବହାର କରନ୍ତି |
• ** ମେସିନ୍ ଲର୍ନିଂ ଏଜେଣ୍ଟଗୁଡିକ **: ଏହି ଏଜେଣ୍ଟମାନେ ତଥ୍ୟରୁ ଶିଖିବା ଏବଂ ନିଷ୍ପତ୍ତି ନେବା ପାଇଁ ମେସିନ୍ ଲର୍ନିଙ୍ଗ ଆଲଗୋରିଦମ ବ୍ୟବହାର କରନ୍ତି |
• ** ହାଇବ୍ରିଡ୍ ଏଜେଣ୍ଟ **: ଏହି ଏଜେଣ୍ଟମାନେ ନିଷ୍ପତ୍ତି ନେବା ପାଇଁ ନିୟମ-ଆଧାରିତ ଏବଂ ମେସିନ୍ ଲର୍ନିଂ ପଦ୍ଧତିକୁ ଏକତ୍ର କରନ୍ତି |

ଲାଙ୍ଗ୍ ଚେନ୍ କ’ଣ?

LangChain ହେଉଛି ଏକ ପାଇଥନ୍ ଲାଇବ୍ରେରୀ ଯାହା LLM ଗୁଡ଼ିକୁ ବ୍ୟବହାର କରୁଥିବା ବୁଦ୍ଧିମାନ ଏଜେଣ୍ଟ ଗଠନ ପାଇଁ ଏକ ନମନୀୟ ଏବଂ ମାପନୀୟ framework ାଞ୍ଚା ପ୍ରଦାନ କରିଥାଏ | ଏହା ଡେଭଲପର୍ମାନଙ୍କୁ LLM ସୃଷ୍ଟି, ତାଲିମ ଏବଂ ନିୟୋଜନ କରିବା ସହିତ ଅନ୍ୟ AI ମଡେଲ ଏବଂ ସିଷ୍ଟମ ସହିତ ଏକୀକୃତ କରିବାକୁ ଅନୁମତି ଦିଏ | ଲାଙ୍ଗ୍ ଚେନ୍ ବିଭିନ୍ନ ବ features ଶିଷ୍ଟ୍ୟ ପ୍ରଦାନ କରେ, ଅନ୍ତର୍ଭୁକ୍ତ କରି:

• ** LLM ଏକୀକରଣ **: ଲ୍ୟାଙ୍ଗ ଚେନ୍ ଅନ୍ୟ AI ମଡେଲ୍ ଏବଂ ସିଷ୍ଟମ୍ ସହିତ LLM ଗୁଡ଼ିକୁ ଏକୀକରଣ କରିବାର ଏକ ସରଳ ଏବଂ ଦକ୍ଷ ଉପାୟ ପ୍ରଦାନ କରେ |
• ** ଅର୍କେଷ୍ଟ୍ରେସନ୍ **: ଲାଙ୍ଗ୍ ଚେନ୍ ଟାସ୍କ ମ୍ୟାନେଜମେଣ୍ଟ, ୱାର୍କଫ୍ଲୋ ମ୍ୟାନେଜମେଣ୍ଟ ଏବଂ ଡାଟା ମ୍ୟାନେଜମେଣ୍ଟ ସହିତ ଅନେକ ଅର୍କେଷ୍ଟ୍ରେସନ୍ କ ques ଶଳ ପ୍ରଦାନ କରେ |
• ** ମାପନୀୟତା **: ଲାଙ୍ଗ ଚେନ୍ ବୃହତ ଡାଟାସେଟ ଏବଂ ଜଟିଳ କାର୍ଯ୍ୟ ପ୍ରବାହ ସହିତ ସ୍କେଲ କରିବାକୁ ଡିଜାଇନ୍ ହୋଇଛି |

ବ୍ୟବହାରିକ ନିୟୋଜନ କ ateg ଶଳ

LangChain ସହିତ ବୁଦ୍ଧିମାନ ଏଜେଣ୍ଟ ଗଠନ କରିବାକୁ, ଆପଣଙ୍କୁ ଏହି ବ୍ୟବହାରିକ କାର୍ଯ୍ୟକାରିତା ରଣନୀତି ଅନୁସରଣ କରିବାକୁ ପଡିବ:

1। ** ଏକ LLM ବାଛନ୍ତୁ **: ଏକ LLM ଚୟନ କରନ୍ତୁ ଯାହା ଆପଣଙ୍କର ଆବଶ୍ୟକତା ପୂରଣ କରେ, ଯେପରିକି ଭାଷା, ଆକାର, ଏବଂ ଜଟିଳତା | 2। ** ଡାଟା ପ୍ରସ୍ତୁତ କରନ୍ତୁ **: ଏକ ଡାଟାବେସ୍ ପ୍ରସ୍ତୁତ କରନ୍ତୁ ଯାହା ଆପଣଙ୍କର ବ୍ୟବହାର ମାମଲା ସହିତ ପ୍ରଯୁଜ୍ୟ ଏବଂ LLM ତାଲିମ ପାଇଁ ଉପଯୁକ୍ତ | 3। ** LLM କୁ ଟ୍ରେନ୍ କରନ୍ତୁ: ପ୍ରସ୍ତୁତ ଡାଟାସେଟ୍ ଏବଂ ଲ୍ୟାଙ୍ଗଚେନ୍ର ଟ୍ରେନିଂ API ବ୍ୟବହାର କରି LLM କୁ ଟ୍ରେନ୍ କରନ୍ତୁ | 4.। ।

ଅର୍କେଷ୍ଟ୍ରେସନ୍ କ ech ଶଳ

ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ଏକ ଅର୍କେଷ୍ଟ୍ରେସନ୍ କ ques ଶଳ ପ୍ରଦାନ କରେ ଯାହା କାର୍ଯ୍ୟ, କାର୍ଯ୍ୟ ପ୍ରବାହ ଏବଂ ତଥ୍ୟ ପରିଚାଳନା ପାଇଁ ବ୍ୟବହୃତ ହୋଇପାରେ | କେତେକ ମୁଖ୍ୟ ଅର୍କେଷ୍ଟେସନ୍ କ ques ଶଳ ଅନ୍ତର୍ଭୁକ୍ତ:

• ** ଟାସ୍କ ମ୍ୟାନେଜମେଣ୍ଟ **: ଲ୍ୟାଙ୍ଗ ଚେନ୍ ଏକ ଟାସ୍କ ମ୍ୟାନେଜମେଣ୍ଟ API ପ୍ରଦାନ କରେ ଯାହା ଡେଭଲପର୍ମାନଙ୍କୁ ଟାସ୍କ ସୃଷ୍ଟି, ପରିଚାଳନା ଏବଂ ଏକଜେକ୍ୟୁଟ୍ କରିବାକୁ ଅନୁମତି ଦିଏ |
• ** ୱାର୍କଫ୍ଲୋ ମ୍ୟାନେଜମେଣ୍ଟ **: ଲ୍ୟାଙ୍ଗ ଚେନ୍ ଏକ ୱାର୍କଫ୍ଲୋ ମ୍ୟାନେଜମେଣ୍ଟ API ପ୍ରଦାନ କରେ ଯାହା ଡେଭଲପର୍ମାନଙ୍କୁ ୱାର୍କଫ୍ଲୋ ସୃଷ୍ଟି, ପରିଚାଳନା ଏବଂ ଏକଜେକ୍ୟୁଟ୍ କରିବାକୁ ଅନୁମତି ଦିଏ |
• ** ଡାଟା ମ୍ୟାନେଜମେଣ୍ଟ **: ଲ୍ୟାଙ୍ଗ ଚେନ୍ ଏକ ଡାଟା ମ୍ୟାନେଜମେଣ୍ଟ API ପ୍ରଦାନ କରେ ଯାହା ଡେଭଲପର୍ମାନଙ୍କୁ ଡାଟା ପରିଚାଳନା ଏବଂ ପରିଚାଳନା କରିବାକୁ ଅନୁମତି ଦିଏ |

ସଫ୍ଟୱେର୍ ଇଞ୍ଜିନିୟରିଂରେ କେସ୍ ବ୍ୟବହାର କରନ୍ତୁ

ବିଭିନ୍ନ ସଫ୍ଟୱେର୍ ଇଞ୍ଜିନିୟରିଂ ବ୍ୟବହାର କ୍ଷେତ୍ରରେ ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ବ୍ୟବହାର କରାଯାଇପାରିବ, ଅନ୍ତର୍ଭୁକ୍ତ କରି:

• ** ଚାଟବଟ୍ **: ଚାଙ୍ଗବଟ୍ ଗଠନ ପାଇଁ ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ବ୍ୟବହାର କରାଯାଇପାରିବ ଯାହା ମାନବ ଭାଷା ସହିତ ବୁ understand ିପାରେ, ସୃଷ୍ଟି କରିପାରିବ ଏବଂ ଯୋଗାଯୋଗ କରିପାରିବ |
• ** ଭର୍ଚୁଆଲ୍ ଆସିଷ୍ଟାଣ୍ଟସ୍ **: ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ଭର୍ଚୁଆଲ୍ ଆସିଷ୍ଟାଣ୍ଟ ଗଠନ ପାଇଁ ବ୍ୟବହୃତ ହୋଇପାରିବ ଯାହା କାର୍ଯ୍ୟଗୁଡିକ କରିପାରିବ, ପ୍ରଶ୍ନର ଉତ୍ତର ଦେଇପାରେ ଏବଂ ସୂଚନା ପ୍ରଦାନ କରିପାରିବ |
• ** ବିଷୟବସ୍ତୁ ଉତ୍ପାଦନ **: ବିଷୟବସ୍ତୁ ସୃଷ୍ଟି କରିବା ପାଇଁ ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ବ୍ୟବହାର କରାଯାଇପାରିବ, ଯେପରିକି ପ୍ରବନ୍ଧ, ବ୍ଲଗ୍ ପୋଷ୍ଟ, ଏବଂ ସୋସିଆଲ୍ ମିଡିଆ ପୋଷ୍ଟ |

ଶ୍ରେଷ୍ଠ 5-10 ସର୍ବାଧିକ ବ୍ୟବହୃତ ନିର୍ଦ୍ଦେଶ / ସ୍ନିପେଟ୍

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

1। ** LangChain ଆମଦାନି **: langchain ଆମଦାନି କରନ୍ତୁ | 2। ** ଏକ LLM ସୃଷ୍ଟି କରିବା **: llm = langchain.LLM (" my_llm ")" 3। ** ଏକ LLM ପ୍ରଶିକ୍ଷଣ **: llm.train (ଡାଟା) | 4। ** ଅନ୍ୟ AI ମଡେଲଗୁଡିକ ସହିତ ଏକୀକରଣ **: ai_model = langchain.AIModel (" my_ai_model ")" 5। ** ଅର୍କେଷ୍ଟ୍ରେଟିଂ କାର୍ଯ୍ୟଗୁଡିକ **: ଟାସ୍କ = langchain.Task (" my_task ")" 6। ** କାର୍ଯ୍ୟ ପ୍ରବାହ ପରିଚାଳନା **: ୱାର୍କଫ୍ଲୋ = langchain.Workflow (" my_workflow ")" 7। ** ଡାଟା ପରିଚାଳନା **: ଡାଟା = langchain.Data (" my_data ")" | 8। ** ଏକ ଚାଟ୍ବଟ୍ ସୃଷ୍ଟି କରିବା **: chatbot = langchain.Chatbot (" my_chatbot ")" 9। ** ଏକ ଭର୍ଚୁଆଲ୍ ଆସିଷ୍ଟାଣ୍ଟ ସୃଷ୍ଟି କରିବା **: virtual_assistant = langchain.VirtualAssistant (" my_virtual_assistant ")" 10। ** ବିଷୟବସ୍ତୁ ସୃଷ୍ଟି କରିବା **: `ବିଷୟବସ୍ତୁ = langchain.ContentGenerator (" my_content_generator ")"

ଭିଜୁଆଲାଇଜେସନ୍

Chart.js ବ୍ୟବହାର କରି LangChain ସ୍ଥାପତ୍ୟର ଏକ ଭିଜୁଆଲାଇଜେସନ୍: json { "ପ୍ରକାର": "ଦଣ୍ଡିକା", "ଡାଟା": { "ଲେବଲ୍": ["LLM", "ଅର୍କେଷ୍ଟ୍ରେସନ୍", "ଏକୀକରଣ", "ଟାସ୍କ ମ୍ୟାନେଜମେଣ୍ଟ", "ୱାର୍କଫ୍ଲୋ ମ୍ୟାନେଜମେଣ୍ଟ", "ଡାଟା ମ୍ୟାନେଜମେଣ୍ଟ"], "ଡାଟାବେସ୍": [ { "label": "LangChain Architecture", "ତଥ୍ୟ": [10, 8, 6, 4, 2, 1], "ପୃଷ୍ଠଭୂମି ରଙ୍ଗ": ["# 4CAF50", "# FF9800", "# 2196F3", "# 8BC34A", "# 03A9F4", "# FFC107"] } ] }, "ବିକଳ୍ପଗୁଡିକ": { "ଆଖ୍ୟା": { "ପ୍ରଦର୍ଶନ": ସତ୍ୟ, "text": "LangChain Architecture" }, "କିମ୍ବଦନ୍ତୀ": { "ପ୍ରଦର୍ଶନ": ସତ୍ୟ | } } } ଏହି ଭିଜୁଆଲାଇଜେସନ୍ LLMs, ଅର୍କେଷ୍ଟ୍ରେସନ୍, ଇଣ୍ଟିଗ୍ରେସନ୍, ଟାସ୍କ ମ୍ୟାନେଜମେଣ୍ଟ, ୱାର୍କଫ୍ଲୋ ମ୍ୟାନେଜମେଣ୍ଟ ଏବଂ ଡାଟା ମ୍ୟାନେଜମେଣ୍ଟ ସହିତ ଲାଙ୍ଗ ଚେନ୍ ସ୍ଥାପତ୍ୟର ବିଭିନ୍ନ ଉପାଦାନଗୁଡ଼ିକୁ ଦର୍ଶାଏ |

ସିଦ୍ଧାନ୍ତ

ଲ୍ୟାଙ୍ଗ ଚେନ୍ ହେଉଛି ଏକ ଶକ୍ତିଶାଳୀ ଲାଇବ୍ରେରୀ ଯାହା ବୁଦ୍ଧିମାନ ଏଜେଣ୍ଟ ଗଠନ ପାଇଁ ଏକ ନମନୀୟ ଏବଂ ମାପନୀୟ framework ାଞ୍ଚା ପ୍ରଦାନ କରିଥାଏ ଯାହାକି LLM କୁ ଲିଭର୍ କରିଥାଏ | ଏହି ଆର୍ଟିକିଲରେ ବର୍ଣ୍ଣିତ ବ୍ୟବହାରିକ କାର୍ଯ୍ୟକାରିତା କ strateg ଶଳ ଏବଂ ଅର୍କେଷ୍ଟ୍ରେସନ୍ କ ques ଶଳ ଅନୁସରଣ କରି, ବିକାଶକାରୀମାନେ ବୁଦ୍ଧିମାନ ଏଜେଣ୍ଟ ଗଠନ କରିପାରିବେ ଯାହା ମାନବ ଭାଷା ସହିତ ବୁ understand ିପାରେ, ସୃଷ୍ଟି କରିପାରିବ ଏବଂ ଯୋଗାଯୋଗ କରିପାରିବ | ସଫ୍ଟୱେର୍ ଇଞ୍ଜିନିୟରିଂରେ ବ୍ୟବହାର ମାମଲା, ଚାଟ୍ବଟ୍ ଏବଂ ଭର୍ଚୁଆଲ୍ ଆସିଷ୍ଟାଣ୍ଟ ଠାରୁ ଆରମ୍ଭ କରି ବିଷୟବସ୍ତୁ ଉତ୍ପାଦନ ପର୍ଯ୍ୟନ୍ତ ବିଭିନ୍ନ ପ୍ରୟୋଗରେ ଲ୍ୟାଙ୍ଗ ଚେନର ସମ୍ଭାବନାକୁ ଦର୍ଶାଏ | LangChain ସହିତ, ବିକାଶକାରୀମାନେ ବୁଦ୍ଧିମାନ ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରିପାରିବେ ଯାହା ଜଟିଳ କାର୍ଯ୍ୟଗୁଡିକ କରିପାରିବ ଏବଂ ଉପଭୋକ୍ତାମାନଙ୍କୁ ମୂଲ୍ୟ ପ୍ରଦାନ କରିପାରିବ |

କୋଡ୍ ବ୍ଲକ୍

ଏଠାରେ ଏକ ସରଳ କୋଡ୍ ବ୍ଲକ୍ ଅଛି ଯାହାକି ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ବ୍ୟବହାର କରି କିପରି ଚାଟ୍ବଟ୍ ସୃଷ୍ଟି କରିବେ ତାହା ଦର୍ଶାଏ: "ପାଇଥନ୍ | langchain ଆମଦାନି କରନ୍ତୁ |

llm = langchain.LLM ("my_llm")

ଏକ ଚାଟ୍ବଟ୍ ସୃଷ୍ଟି କରନ୍ତୁ |

chatbot = langchain.Chatbot (llm)

ଏକ କାର୍ଯ୍ୟ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |

ଟାସ୍କ = langchain.Task ("my_task")

କାର୍ଯ୍ୟ ଏକଜେକ୍ୟୁଟ୍ କରନ୍ତୁ |

ଫଳାଫଳ = chatbot.execute (କାର୍ଯ୍ୟ)

ଫଳାଫଳ ମୁଦ୍ରଣ କରନ୍ତୁ |

ମୁଦ୍ରଣ (ଫଳାଫଳ) `` ଏହି କୋଡ୍ ବ୍ଲକ୍ ଏକ LLM, ଚାଟ୍ବଟ୍, ଏବଂ ଏକ ଟାସ୍କ ସୃଷ୍ଟି କରେ, ଏବଂ ତାପରେ ଚାଟବଟ୍ ବ୍ୟବହାର କରି କାର୍ଯ୍ୟକୁ ଏକଜେକ୍ୟୁଟ୍ କରେ | ଫଳାଫଳ କନସୋଲରେ ମୁଦ୍ରିତ ହୋଇଛି |

ରୁଷ୍ଟ ଏବଂ ଗୋ କୋଡ୍

ଲ୍ୟାଙ୍ଗ ଚେନ୍ ରୁଷ୍ଟ ଏବଂ ଗୋ ବାଇଣ୍ଡିଂ ମଧ୍ୟ ପ୍ରଦାନ କରେ, ଯାହା ଏହି ଭାଷାଗୁଡ଼ିକରେ ବୁଦ୍ଧିମାନ ଏଜେଣ୍ଟ ଗଠନ ପାଇଁ ବ୍ୟବହୃତ ହୋଇପାରେ | ଏଠାରେ ଏକ ସରଳ ରୁଷ୍ଟ କୋଡ୍ ବ୍ଲକର ଏକ ଉଦାହରଣ ଅଛି ଯାହାକି ଲ୍ୟାଙ୍ଗଚେନ୍ ବ୍ୟବହାର କରି କିପରି ଚାଟ୍ବଟ୍ ସୃଷ୍ଟି କରିବେ ତାହା ଦର୍ଶାଏ: "କଳଙ୍କ langchain ବ୍ୟବହାର କରନ୍ତୁ :: {LLM, ଚାଟବଟ୍};

fn main () { // ଏକ LLM ସୃଷ୍ଟି କରନ୍ତୁ | llm = LLM :: ନୂତନ ("my_llm") ଦିଅନ୍ତୁ;

// ଏକ ଚାଟ୍ବଟ୍ ସୃଷ୍ଟି କରନ୍ତୁ |
ଚାଟ୍ବଟ୍ = ଚାଟ୍ବଟ୍ :: ନୂତନ (llm) ଦିଅନ୍ତୁ;

// ଏକ କାର୍ଯ୍ୟ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |
ଟାସ୍କ ଦିଅନ୍ତୁ = ଟାସ୍କ :: ନୂତନ ("my_task");

// ଟାସ୍କ ଏକଜେକ୍ୟୁଟ୍ କରନ୍ତୁ |
ଫଳାଫଳ = chatbot.execute (କାର୍ଯ୍ୟ) ଦିଅନ୍ତୁ;

// ଫଳାଫଳ ମୁଦ୍ରଣ କରନ୍ତୁ |
println! ("{}", ଫଳାଫଳ);

} ଏବଂ ଏଠାରେ ଏକ ସରଳ ଗୋ କୋଡ୍ ବ୍ଲକର ଏକ ଉଦାହରଣ ଅଛି ଯାହାକି ଲ୍ୟାଙ୍ଗ ଚେନ୍ ବ୍ୟବହାର କରି କିପରି ଚାଟ୍ବଟ୍ ସୃଷ୍ଟି କରିବେ ତାହା ଦର୍ଶାଏ: ଯାଅ ପ୍ୟାକେଜ୍ ମେନ୍ |

ଆମଦାନି ( "fmt" "github.com/langchain/langchain-go" )

func main () { // ଏକ LLM ସୃଷ୍ଟି କରନ୍ତୁ | llm: = langchain.NewLLM ("my_llm")

// ଏକ ଚାଟ୍ବଟ୍ ସୃଷ୍ଟି କରନ୍ତୁ |
ଚାଟବଟ୍: = langchain.NewChatbot (llm)

// ଏକ କାର୍ଯ୍ୟ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |
କାର୍ଯ୍ୟ: = langchain.NewTask ("my_task")

// ଟାସ୍କ ଏକଜେକ୍ୟୁଟ୍ କରନ୍ତୁ |
ଫଳାଫଳ: = ଚାଟ୍ବଟ୍। ନିର୍ବାହ (କାର୍ଯ୍ୟ)

// ଫଳାଫଳ ମୁଦ୍ରଣ କରନ୍ତୁ |
fmt.Println (ଫଳାଫଳ)

} `` ଏହି କୋଡ୍ ବ୍ଲକ୍ ଗୁଡିକ ଦର୍ଶାଏ ଯେ ରୁଷ୍ଟ ଏବଂ ଗୋରେ ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ବ୍ୟବହାର କରି କିପରି ଏକ ଚାଟ୍ବଟ୍ ସୃଷ୍ଟି କରିବେ |