langchain experiments

langchain experiments

Ce référentiel se concentre sur l'expérimentation de la bibliothèque LangChain pour créer des applications puissantes avec de grands modèles de langage (LLM). En exploitant des modèles de langage de pointe tels que GPT-3.5 Turbo d'OpenAI (et bientôt GPT-4), ce projet montre comment créer une base de données consultable à partir d'une transcription vidéo YouTube, effectuer des requêtes de recherche de similarité à l'aide de la bibliothèque FAISS et répondre aux questions des utilisateurs avec des informations pertinentes et précises.

LangChain est un framework complet conçu pour développer des applications alimentées par des modèles de langage. Cela va au-delà du simple appel d'un LLM via une API, car les applications les plus avancées et différenciées sont également sensibles aux données et agents, permettant aux modèles de langage de se connecter à d'autres sources de données et d'interagir avec leur environnement. Le framework LangChain est spécifiquement conçu pour répondre à ces principes.

LangChaîne

La partie spécifique à Python de la documentation de LangChain couvre plusieurs modules principaux, chacun fournissant des exemples, des guides pratiques, des documents de référence et des guides conceptuels. Ces modules comprennent :

1. Modèles : divers types de modèles et intégrations de modèles pris en charge par LangChain.
2. Invites : gestion, optimisation et sérialisation des invites.
3. Mémoire : persistance de l'état entre les appels de chaîne ou d'agent, y compris une interface mémoire standard, des implémentations de mémoire et des exemples de chaînes et d'agents utilisant la mémoire.
4. Index : combiner des LLM avec des données textuelles personnalisées pour améliorer leurs capacités.
5. Chaînes : séquences d'appels, soit vers un LLM, soit vers un autre utilitaire, avec une interface standard, des intégrations et des exemples de chaîne de bout en bout.
6. Agents : LLM qui prennent des décisions concernant les actions, observent les résultats et répètent le processus jusqu'à la fin, avec une interface standard, une sélection d'agents et des exemples d'agents de bout en bout.

Cas d'utilisation

Avec LangChain, les développeurs peuvent créer diverses applications, telles que des chatbots de support client, des générateurs de contenu automatisés, des outils d'analyse de données et des moteurs de recherche intelligents. Ces applications peuvent aider les entreprises à rationaliser leurs flux de travail, à réduire le travail manuel et à améliorer l'expérience client.

Service

En vendant des applications basées sur LangChain en tant que service aux entreprises, vous pouvez fournir des solutions sur mesure pour répondre à leurs besoins spécifiques. Par exemple, les entreprises peuvent bénéficier de chatbots personnalisables qui traitent les demandes des clients, d'outils de création de contenu personnalisés pour le marketing ou de systèmes internes d'analyse de données qui exploitent la puissance des LLM pour extraire des informations précieuses. Les possibilités sont vastes et le cadre flexible de LangChain en fait le choix idéal pour développer et déployer des applications de modèle de langage avancées dans divers secteurs.

Exigences

• Python 3.6 ou supérieur
• Bibliothèque LangChain
• Clé API OpenAI
• Clé API SerpAPI

Modèles d'API OpenAI

L'API OpenAI est alimentée par un ensemble diversifié de modèles avec des capacités et des prix différents. Vous pouvez également apporter des personnalisations limitées à nos modèles de base d'origine pour votre cas d'utilisation spécifique avec un réglage fin.

Installation

1. Clonez le référentiel

git clone https://github.com/daveebbelaar/langchain-experiments.git

2. Créez un environnement Python

Python 3.6 ou supérieur utilisant venv ou conda . En utilisant venv :

 cd langchain-experiments
python3 -m venv env
source env/bin/activate

Utiliser conda :

 cd langchain-experiments
conda create -n langchain-env python=3.8
conda activate langchain-env

3. Installez les dépendances requises

pip install -r requirements.txt

4. Configurez les clés dans un fichier .env

Tout d’abord, créez un fichier .env dans le répertoire racine du projet. Dans le fichier, ajoutez votre clé API OpenAI :

 OPENAI_API_KEY ="your_api_key_here"

Enregistrez le fichier et fermez-le. Dans votre script Python ou votre notebook Jupyter, chargez le fichier .env à l'aide du code suivant :

 from dotenv import load_dotenv , find_dotenv
load_dotenv ( find_dotenv ())

En utilisant la bonne convention de dénomination pour la variable d'environnement, vous n'avez pas besoin de stocker manuellement la clé dans une variable distincte et de la transmettre à la fonction. La bibliothèque ou le package qui nécessite la clé API reconnaîtra automatiquement la variable d'environnement OPENAI_API_KEY et utilisera sa valeur.

Si nécessaire, vous pouvez accéder à OPENAI_API_KEY en tant que variable d'environnement :

 import os
api_key = os . environ [ 'OPENAI_API_KEY' ]

Votre environnement Python est maintenant configuré et vous pouvez procéder à l’exécution des expériences.

Datalumine

Ce document vous est fourni par Datalumina. Nous aidons les analystes de données, les ingénieurs et les scientifiques à lancer et à développer une entreprise indépendante prospère : plus de 100 000 $/an, des projets amusants, des clients satisfaits. Si vous souhaitez en savoir plus sur ce que nous faisons, vous pouvez visiter notre site Web et vous abonner à notre newsletter. N'hésitez pas à partager ce document avec vos amis et collègues data.

Tutoriels

Pour des didacticiels vidéo sur l'utilisation de la bibliothèque LangChain et la réalisation d'expériences, visitez la chaîne YouTube : youtube.com/@daveebbelaar