سۈنئىي ئەقىل يۇمشاق دېتال قۇرۇلمىسى ئۈچۈن ئوركېستىرلاش قوراللىرىنى ئىشلىتىش

تونۇشتۇرۇش

سۈنئىي ئەقلىي ئىقتىدارلىق يۇمشاق دېتال قۇرۇلمىسىغا بولغان ئېھتىياجنىڭ كۈنسېرى كۈچىيىشى سۈنئىي ئىدراك (AI) ۋە ماشىنا ئۆگىنىشى (ML) ئىقتىدارىنى يۇمشاق دېتال سىستېمىسىغا بىر گەۋدىلەشتۈرەلەيدىغان ھەر خىل ئوركېستىرلاش قوراللىرىنىڭ تەرەققىي قىلىشىنى كەلتۈرۈپ چىقاردى. بۇ ماقالىدە ، LangChain ۋە DSPy غا ئوخشاش ئوركېستىرلاش قوراللىرى ئارقىلىق سۈنئىي ئەقىل ئارقىلىق قوزغىتىلغان يۇمشاق دېتال قۇرۇلمىسىنىڭ يولغا قويۇلۇشى ئۈستىدە ئىزدىنىپ ، كېڭەيتىشچانلىقى ، ئىقتىدارى ۋە بىخەتەرلىكىنى ئاشۇرۇش ئۈچۈن RAG (سەۋەب ۋە ھەرىكەت گرافىكىسى) ۋە LLM (چوڭ تىل مودېلى) ئىقتىدارىنى بىرلەشتۈرۈشنى ئاساس قىلىمىز.

ئوركېستىرلاش قوراللىرى دېگەن نېمە؟

ئوركېستىرلاش قوراللىرى يۇمشاق دېتال رامكىسى بولۇپ ، كۆپ خىل مۇلازىمەت ، قوللىنىشچان پروگرامما ۋە سىستېمىلارنى بىرلەشتۈرۈش ئارقىلىق مۇرەككەپ خىزمەت ئېقىمى ۋە جەريانلىرىنى ئاپتوماتلاشتۇرالايدۇ. ئۇلار ئوخشىمىغان زاپچاسلار ئوتتۇرىسىدىكى ئۆز-ئارا تەسىرنى باشقۇرۇش ۋە ماسلاشتۇرۇش ئۈچۈن مەركەزلىك سۇپا بىلەن تەمىنلەيدۇ ، ۋەزىپىلەرنى ئۈنۈملۈك ۋە كېڭەيتىشكە كاپالەتلىك قىلىدۇ.

LangChain: بوغما يىلاننى ئاساس قىلغان ئوركېستىرلاش قورالى

LangChain ئوچۇق كودلۇق Python كۈتۈپخانىسى بولۇپ ، سۈنئىي ئەقىل ئارقىلىق يۇمشاق دېتال قۇرۇلمىسىنى مۇكەممەل رامكا بىلەن تەمىنلەيدۇ. ئۇ بىر قاتار ئىقتىدارلارنى تەمىنلەيدۇ ، مەسىلەن:

**

• ** LLM (چوڭ تىل مودېلى) بىر گەۋدىلەشتۈرۈش **: LangChain تەبىئىي تىل بىر تەرەپ قىلىش ۋە ئەۋلاد ۋەزىپىلىرى ئۈچۈن LLaMA ۋە BERT قاتارلىق LLM لارنىڭ بىرىكىشىنى قوللايدۇ.
• ** كېڭەيتىش ۋە ئىقتىدار **: LangChain چوڭ تىپتىكى سۈنئىي ئەقىل خىزمەت يۈكىنى بىر تەرەپ قىلىش ئۈچۈن لايىھەلەنگەن بولۇپ ، ۋەزىپىلەرنى ئۈنۈملۈك ۋە كېڭەيتكىلى بولىدۇ.

LangChain بىلەن AI قوزغىتىلغان يۇمشاق دېتال قۇرۇلمىسىنى يولغا قويۇش

LangChain ئارقىلىق سۈنئىي ئەقىل ئارقىلىق قوزغىتىلغان يۇمشاق دېتال قۇرۇلمىسىنىڭ يولغا قويۇلۇشىنى نامايان قىلىش ئۈچۈن ، پاراڭلىشىشنىڭ RAG ئارقىلىق ئابونتلارنىڭ سوئاللىرى ھەققىدە پىكىر يۈرگۈزۈش ۋە جاۋاب ھاسىل قىلىشتىكى ئاددىي بىر مىسالنى كۆرۈپ باقايلى.

`` python import langchain from langchain.chains import llm

rag = langchain.RAG ( name = "chatbot_rag", nodes = [ {"name": "سالام" ، "تېكىست": "ياخشىمۇسىز ، مەن سىزگە قانداق ياردەم بېرەلەيمەن؟"}, . "name": "خەير" ، "تېكىست": "خەير خوش ، سىز بىلەن پاراڭلاشقان ياخشى بولدى."}, ], edge = [ {"دىن": "سالاملىشىش" ، "دىن": "خەير خوش" ، "شەرت": "user_says_goodbye"}, ], )

LLM قۇر

llm = llm.LLM ( name = "chatbot_llm", model = "llama", max_tokens = 100, )

پاراڭلىشىش زەنجىرى قۇرۇڭ

chain = langchain.Chain ( name = "chatbot_chain", llm = llm, rag = rag, )

پاراڭنى سىناپ بېقىڭ

user_input = "ياخشىمۇسىز ، ئەھۋالىڭىز قانداق؟" response = chain.run (user_input) بېسىش (جاۋاب) `` `

DSPy: رۇسنى ئاساس قىلغان ئوركېستىرلاش قورالى

DSPy بولسا Rust نى ئاساس قىلغان ئوركېستىرلاش قورالى بولۇپ ، ئۇ سۈنئىي ئەقلىي ئىقتىدارلىق يۇمشاق دېتال قۇرۇلمىسىنى يۇقىرى ئىقتىدارلىق ۋە كېڭەيتىشچان رامكا بىلەن تەمىنلەيدۇ. ئۇ بىر قاتار ئىقتىدارلارنى تەمىنلەيدۇ ، مەسىلەن:

**

• ** LLM (چوڭ تىل مودېلى) بىرلەشتۈرۈش **: DSPy LLaMA ۋە BERT قاتارلىق LLM لارنىڭ تەبىئىي تىل بىر تەرەپ قىلىش ۋە ئەۋلاد ۋەزىپىلىرىنى بىرلەشتۈرۈشنى قوللايدۇ.
• ** كېڭەيتىش ۋە ئىقتىدار **: DSPy چوڭ تىپتىكى سۈنئىي ئەقىل خىزمەت يۈكىنى بىر تەرەپ قىلىش ئۈچۈن لايىھەلەنگەن بولۇپ ، ۋەزىپىلەرنى ئۈنۈملۈك ۋە كېڭەيتكىلى بولىدۇ.

DSPy ئارقىلىق AI قوزغىتىلغان يۇمشاق دېتال قۇرۇلمىسىنى يولغا قويۇش

DSPy ئارقىلىق سۈنئىي ئەقىل ئارقىلىق قوزغىتىلغان يۇمشاق دېتال قۇرۇلمىسىنىڭ يولغا قويۇلۇشىنى نامايان قىلىش ئۈچۈن ، پاراڭلىشىشنىڭ RAG ئارقىلىق ئابونتلارنىڭ سوئاللىرى ھەققىدە پىكىر يۈرگۈزۈش ۋە جاۋاب ھاسىل قىلىشتىكى ئاددىي بىر مىسالنى كۆرۈپ باقايلى.

`` rust dspy :: chain; dspy :: llm نى ئىشلىتىڭ;

// RAG قۇر let rag = chain :: RAG :: new ( "chatbot_rag", vec! [ زەنجىر :: تۈگۈن :: يېڭى («سالام» ، «ياخشىمۇسىز ، مەن سىزگە قانداق ياردەم بېرەلەيمەن؟») ، زەنجىر :: تۈگۈن :: يېڭى («خەير-خوش» ، «خەير-خوش ، سىز بىلەن پاراڭلاشقان ياخشى بولدى.») ، ], vec! [ زەنجىر :: Edge :: يېڭى («سالام» ، «خوش» ، «user_says_goodbye») ، ], );

// LLM قۇر let llm = llm :: LLM :: new ( "chatbot_llm", "llama", 100, );

// پاراڭلىشىش زەنجىرى قۇرۇڭ let chain = chain :: Chain :: new ( "chatbot_chain", llm, rag, );

// پاراڭلىشىشنى سىناپ بېقىڭ let user_input = "ياخشىمۇسىز ، ئەھۋالىڭىز قانداق؟"; let response = chain.run (user_input); println! ("{}", ئىنكاس); `` `

ئەڭ كۆپ ئىشلىتىلىدىغان 5-10 بۇيرۇق / ئۈزۈندىلەر

بۇ يەردە LangChain ۋە DSPy ئۈچۈن ئەڭ كۆپ ئىشلىتىلىدىغان بۇيرۇق ۋە پارچىلار بار:

• LangChain:
  • langchain.RAG (): يېڭى RAG مىسالى قۇرىدۇ.
  • langchain.LLM () `: يېڭى LLM مىسالى قۇردى.
  • langchain.Chain () `: يېڭى زەنجىرسىمان ئۈلگە ھاسىل قىلىدۇ.
  • rag.run (): RAG نى ئىجرا قىلىپ ئىنكاس قايتۇرىدۇ.
  • llm.run () `: LLM نى ئىجرا قىلىپ ئىنكاس قايتۇرىدۇ.
• DSPy:
  • dspy :: زەنجىر :: RAG :: new (): يېڭى RAG مىسالى قۇرىدۇ.
  • dspy :: llm :: LLM :: new (): يېڭى LLM مىسالى قۇرىدۇ.
  • dspy :: زەنجىر :: زەنجىر :: يېڭى (): يېڭى زەنجىرسىمان ئۈلگە ھاسىل قىلىدۇ.
  • chain.run (): زەنجىرنى ئىجرا قىلىپ ئىنكاس قايتۇرىدۇ.

Visualization

بۇ يەردە Chart.js ئارقىلىق RAG ۋە LLM ئىقتىدارىنى ئاددىي تەسۋىرلەش:

javascript const ctx = document.getElementById ('myChart'). getContext ('2d'); const chart = يېڭى Chart (ctx, { type: 'bar', data: { بەلگە: ['RAG', 'LLM'], سانلىق مەلۇمات جەدۋىلى: [{ label: 'ئىقتىدار', سانلىق مەلۇمات: [10, 20], backgroundColor: [ 'rgba (255, 99, 132, 0.2)', 'rgba (54, 162, 235, 0.2)', ], borderColor: [ 'rgba (255, 99, 132, 1)', 'rgba (54, 162, 235, 1)', ], borderWidth: 1 }] }, تاللانما: { تارازا: { y: { startAtZero: true } } } }); `

خۇلاسە

خۇلاسىلىگەندە ، LangChain ۋە DSPy كۈچلۈك ئوركېستىرلاش قورالى بولۇپ ، RAG ۋە LLM ئىقتىدارىدىن پايدىلىنىپ سۈنئىي ئەقىل ئارقىلىق يۇمشاق دېتال قۇرۇلمىسىنى يولغا قويالايدۇ. ئاچقۇچىلار بۇ قوراللارنى ئىشلىتىش ئارقىلىق ، مۇرەككەپ سۈنئىي ئەقىل خىزمەت يۈكىنى بىر تەرەپ قىلالايدىغان كۆلەملەشتۈرگىلى ، ئىجرا قىلالايدىغان ۋە بىخەتەر يۇمشاق دېتال سىستېمىسى قۇرالايدۇ. ئىشلىتىش قۇلايلىقى ۋە ئەۋرىشىملىكى بىلەن LangChain ۋە DSPy سۈنئىي ئەقىل يۇمشاق دېتال قۇرۇلمىسىنى قۇرۇشتىكى كۆڭۈلدىكىدەك تاللاش.

تەۋسىيە

بۇ ماقالىدىكى مۇلاھىزىلەرگە ئاساسەن ، LangChain ۋە DSPy ئارقىلىق سۈنئىي ئەقىل ئارقىلىق يۇمشاق دېتال قۇرۇلمىسىنى يولغا قويماقچى بولغان پروگراممېرلارغا بىر قانچە تەۋسىيە بار:

• LangChain ۋە DSPy نىڭ RAG ۋە LLM ئىقتىدارىنى ئۆز ئىچىگە ئالغان ئاساسلىرىنى ئۆگىنىشتىن باشلاڭ.
• پاراڭلىشىش مىسالى قاتارلىق ئاددىي مىساللار بىلەن تەجرىبە قىلىپ ، قوراللارنىڭ قانداق ئىشلەيدىغانلىقىنى ھېس قىلىڭ.
• تەۋسىيە سىستېمىسى ياكى تەبىئىي تىل بىر تەرەپ قىلىش تۇرۇبىسى قۇرۇش قاتارلىق تېخىمۇ مۇرەككەپ تۈرلەرگە تەدرىجىي ئىلگىرىلەڭ.
• ئەڭ كۆپ ئىشلىتىلىدىغان 5-10 بۇيرۇق / ئۈزۈندىلەر بۆلىكىنى ئورتاق بۇيرۇق ۋە ئۈزۈندىلەرنىڭ پايدىلىنىش قوللانمىسى قىلىپ ئىشلىتىڭ.
• ئوخشىمىغان زاپچاسلار ئوتتۇرىسىدىكى مۇناسىۋەتنى تېخىمۇ ياخشى چۈشىنىش ئۈچۈن Chart.js ئارقىلىق RAG ۋە LLM ئىقتىدارىڭىزنى تەسەۋۋۇر قىلىڭ.

پروگراممېرلار بۇ تەۋسىيەلەرگە ئەمەل قىلىش ئارقىلىق ، LangChain ۋە DSPy نىڭ تولۇق يوشۇرۇن كۈچىنى ئاچالايدۇ ۋە مۇرەككەپ خىزمەت يۈكىنى بىر تەرەپ قىلالايدىغان ۋە ئالاھىدە ئىقتىدار ۋە كېڭەيتىشچانلىقى بىلەن تەمىنلەيدىغان سۈنئىي ئەقلىي ئىقتىدارلىق يۇمشاق دېتال قۇرۇلمىسىنى قۇرالايدۇ.