LangChain ເປັນເຄື່ອງມືທີ່ທັນສະໄຫມແລະແຂງແຮງທີ່ໄດ້ພັດທະນາເພື່ອຄຸ້ມຄອງພະລັງງານຂອງຕົວແບບພາສາຂະຫນາດໃຫຍ່ (LLMs).
LLMs ເຫຼົ່ານີ້ມີຄວາມສາມາດທີ່ໂດດເດັ່ນແລະສາມາດຈັດການກັບວຽກງານທີ່ກວ້າງຂວາງໄດ້ຢ່າງມີປະສິດທິພາບ. ຢ່າງໃດກໍ່ຕາມ, ມັນເປັນສິ່ງສໍາຄັນທີ່ຈະສັງເກດວ່າຄວາມເຂັ້ມແຂງຂອງພວກເຂົາແມ່ນຢູ່ໃນລັກສະນະທົ່ວໄປຂອງພວກເຂົາແທນທີ່ຈະເປັນຄວາມຊໍານານໃນໂດເມນທີ່ເລິກເຊິ່ງ. ຄວາມນິຍົມຂອງມັນໄດ້ເພີ່ມຂຶ້ນຢ່າງໄວວານັບຕັ້ງແຕ່ການນໍາສະເຫນີຂອງ GPT-4.
ໃນຂະນະທີ່ LLMs ດີເລີດໃນການຈັດການວຽກງານຕ່າງໆ, ພວກເຂົາເຈົ້າອາດຈະປະເຊີນກັບຂໍ້ຈໍາກັດໃນເວລາທີ່ມັນມາກັບການສະຫນອງຄໍາຕອບສະເພາະຫຼືການແກ້ໄຂບັນຫາທີ່ຕ້ອງການຄວາມຮູ້ໂດເມນທີ່ເລິກເຊິ່ງ. ສໍາລັບຕົວຢ່າງ, ພິຈາລະນາການນໍາໃຊ້ LLM ເພື່ອຕອບຄໍາຖາມຫຼືປະຕິບັດວຽກງານພາຍໃນສາຂາວິຊາສະເພາະເຊັ່ນຢາຫຼືກົດຫມາຍ.
ໃນຂະນະທີ່ LLM ແນ່ນອນວ່າສາມາດຕອບສະຫນອງຕໍ່ການສອບຖາມທົ່ວໄປກ່ຽວກັບສາຂາເຫຼົ່ານີ້, ມັນອາດຈະມີຄວາມຫຍຸ້ງຍາກທີ່ຈະສະເຫນີຄໍາຕອບທີ່ລະອຽດຫຼືເລັກນ້ອຍທີ່ຈໍາເປັນຕ້ອງມີຄວາມຮູ້ຫຼືຄວາມຊໍານານພິເສດ.
ນີ້ແມ່ນຍ້ອນວ່າ LLMs ໄດ້ຖືກຝຶກອົບຮົມກ່ຽວກັບຈໍານວນຂໍ້ຄວາມຈໍານວນຫລາຍຈາກແຫຼ່ງຕ່າງໆ, ເຮັດໃຫ້ມັນສາມາດຮຽນຮູ້ຮູບແບບ, ເຂົ້າໃຈສະພາບການ, ແລະສ້າງຄໍາຕອບທີ່ສອດຄ່ອງກັນ. ແນວໃດກໍ່ຕາມ, ການຝຶກອົບຮົມຂອງເຂົາເຈົ້າບໍ່ປົກກະຕິກ່ຽວຂ້ອງກັບການໄດ້ຮັບຄວາມຮູ້ສະເພາະໂດເມນ ຫຼື ສະເພາະໃນຂອບເຂດດຽວກັນກັບຜູ້ຊ່ຽວຊານດ້ານມະນຸດໃນຂະແໜງເຫຼົ່ານັ້ນ.
ດັ່ງນັ້ນ, ໃນຂະນະທີ່ LangChain, ສົມທົບກັບ LLMs, ສາມາດເປັນເຄື່ອງມືທີ່ມີຄຸນຄ່າສໍາລັບວຽກງານທີ່ກວ້າງຂວາງ, ມັນເປັນສິ່ງສໍາຄັນທີ່ຈະຮັບຮູ້ວ່າຄວາມຊໍານານໃນໂດເມນເລິກອາດຈະຍັງມີຄວາມຈໍາເປັນໃນບາງສະຖານະການ. ຜູ້ຊ່ຽວຊານດ້ານມະນຸດສະທໍາທີ່ມີຄວາມຮູ້ພິເສດສາມາດສະຫນອງຄວາມເລິກທີ່ຈໍາເປັນ, ຄວາມເຂົ້າໃຈ nuanced, ແລະຄວາມເຂົ້າໃຈສະເພາະກ່ຽວກັບສະພາບການທີ່ອາດຈະເກີນຄວາມສາມາດຂອງ LLMs ດຽວ.
ພວກເຮົາແນະນໍາໃຫ້ເບິ່ງເອກະສານຂອງ LangChain ຫຼື GitHub repository ສໍາລັບຄວາມເຂົ້າໃຈຢ່າງລະອຽດກ່ຽວກັບກໍລະນີການນໍາໃຊ້ປົກກະຕິຂອງມັນ. ມັນໄດ້ຖືກແນະນໍາຢ່າງແຂງແຮງເພື່ອໃຫ້ໄດ້ຮູບພາບໃຫຍ່ກວ່າຂອງຊຸດນີ້.
ມັນເຮັດວຽກແນວໃດ?
ເພື່ອເຂົ້າໃຈຈຸດປະສົງແລະການເຮັດວຽກຂອງ LangChain, ໃຫ້ພິຈາລະນາຕົວຢ່າງການປະຕິບັດ. ພວກເຮົາຮູ້ວ່າ GPT-4 ມີຄວາມຮູ້ທົ່ວໄປທີ່ຫນ້າປະທັບໃຈ ແລະສາມາດໃຫ້ຄໍາຕອບທີ່ເຊື່ອຖືໄດ້ຕໍ່ກັບຄໍາຖາມທີ່ຫຼາກຫຼາຍ.
ແນວໃດກໍ່ຕາມ, ຖ້າພວກເຮົາຕ້ອງການຂໍ້ມູນສະເພາະຈາກຂໍ້ມູນຂອງພວກເຮົາເອງ, ເຊັ່ນເອກະສານສ່ວນຕົວ, ປື້ມ, ໄຟລ໌ PDF, ຫຼືຖານຂໍ້ມູນທີ່ເປັນເຈົ້າຂອງ?
LangChain ອະນຸຍາດໃຫ້ພວກເຮົາເຊື່ອມຕໍ່ a ຮູບແບບພາສາຂະຫນາດໃຫຍ່ ເຊັ່ນ GPT-4 ກັບແຫຼ່ງຂໍ້ມູນຂອງພວກເຮົາເອງ. ມັນໄປນອກເໜືອໄປກວ່າການວາງສ່ວນຫຍໍ້ຂອງຂໍ້ຄວາມໃສ່ໃນສ່ວນຕິດຕໍ່ສົນທະນາ. ແທນທີ່ຈະ, ພວກເຮົາສາມາດອ້າງອີງຖານຂໍ້ມູນທັງຫມົດເຕັມໄປດ້ວຍຂໍ້ມູນຂອງພວກເຮົາເອງ.
ເມື່ອພວກເຮົາໄດ້ຮັບຂໍ້ມູນທີ່ຕ້ອງການ, LangChain ສາມາດຊ່ວຍພວກເຮົາໃນການປະຕິບັດສະເພາະ. ຕົວຢ່າງ, ພວກເຮົາສາມາດສັ່ງໃຫ້ມັນສົ່ງອີເມວທີ່ມີລາຍລະອຽດທີ່ແນ່ນອນ.
ເພື່ອບັນລຸສິ່ງດັ່ງກ່າວ, ພວກເຮົາປະຕິບັດຕາມວິທີການທໍ່ໂດຍໃຊ້ LangChain. ກ່ອນອື່ນ ໝົດ, ພວກເຮົາເອົາເອກະສານທີ່ພວກເຮົາຕ້ອງການ ຮູບແບບພາສາ ເພື່ອອ້າງອີງ ແລະແບ່ງອອກເປັນຕ່ອນນ້ອຍໆ. chunks ເຫຼົ່ານີ້ຖືກເກັບຮັກສາໄວ້ຫຼັງຈາກນັ້ນເປັນການຝັງ, ຊຶ່ງເປັນ ການເປັນຕົວແທນຂອງ vector ຂອງຂໍ້ຄວາມ, ໃນຖານຂໍ້ມູນ Vector.
ດ້ວຍການຕັ້ງຄ່ານີ້, ພວກເຮົາສາມາດສ້າງຄໍາຮ້ອງສະຫມັກແບບຈໍາລອງພາສາທີ່ປະຕິບັດຕາມທໍ່ມາດຕະຖານ: ຜູ້ໃຊ້ຖາມຄໍາຖາມເບື້ອງຕົ້ນ, ເຊິ່ງຫຼັງຈາກນັ້ນຖືກສົ່ງໄປຫາຮູບແບບພາສາ. ການເປັນຕົວແທນ vector ຂອງຄໍາຖາມຖືກນໍາໃຊ້ເພື່ອດໍາເນີນການຄົ້ນຫາຄວາມຄ້າຍຄືກັນໃນ Vector Database, ດຶງຂໍ້ມູນ chunks ທີ່ກ່ຽວຂ້ອງ.
chunks ເຫຼົ່ານີ້ແມ່ນຫຼັງຈາກນັ້ນປ້ອນກັບຄືນໄປບ່ອນຮູບແບບພາສາ, ເຮັດໃຫ້ມັນເພື່ອໃຫ້ຄໍາຕອບຫຼືດໍາເນີນການທີ່ຕ້ອງການ.
LangChain ອໍານວຍຄວາມສະດວກໃນການພັດທະນາຄໍາຮ້ອງສະຫມັກທີ່ມີຂໍ້ມູນ, ຍ້ອນວ່າພວກເຮົາສາມາດອ້າງອີງຂໍ້ມູນຂອງພວກເຮົາເອງໃນຮ້ານ vector, ແລະແທ້ຈິງ, ຍ້ອນວ່າພວກເຂົາສາມາດປະຕິບັດນອກເຫນືອຈາກການຕອບຄໍາຖາມ. ທ
ລາວເປີດກໍລະນີການນໍາໃຊ້ຕົວຈິງຫຼາຍຢ່າງ, ໂດຍສະເພາະໃນການຊ່ວຍເຫຼືອສ່ວນບຸກຄົນ, ບ່ອນທີ່ຮູບແບບພາສາຂະຫນາດໃຫຍ່ສາມາດຈັດການກັບວຽກງານເຊັ່ນການຈອງຖ້ຽວບິນ, ການໂອນເງິນ, ຫຼືການຊ່ວຍເຫຼືອໃນເລື່ອງທີ່ກ່ຽວຂ້ອງກັບພາສີ.
ນອກຈາກນັ້ນ, ຜົນສະທ້ອນຂອງການສຶກສາແລະການຮຽນຮູ້ວິຊາໃຫມ່ແມ່ນມີຄວາມສໍາຄັນ, ເນື່ອງຈາກວ່າຮູບແບບພາສາສາມາດອ້າງອີງເຖິງຫຼັກສູດທັງຫມົດແລະເລັ່ງຂະບວນການຮຽນຮູ້. Coding, ການວິເຄາະຂໍ້ມູນ, ແລະວິທະຍາສາດຂໍ້ມູນຍັງຄາດວ່າຈະໄດ້ຮັບອິດທິພົນຢ່າງຫຼວງຫຼາຍຈາກຄວາມກ້າວຫນ້າເຫຼົ່ານີ້.
ຫນຶ່ງໃນຄວາມສົດໃສດ້ານທີ່ຫນ້າຕື່ນເຕັ້ນທີ່ສຸດແມ່ນການເຊື່ອມຕໍ່ແບບຈໍາລອງພາສາຂະຫນາດໃຫຍ່ກັບຂໍ້ມູນຂອງບໍລິສັດທີ່ມີຢູ່ແລ້ວ, ເຊັ່ນຂໍ້ມູນລູກຄ້າຫຼືຂໍ້ມູນການຕະຫຼາດ. ການເຊື່ອມໂຍງນີ້ກັບ APIs ຂັ້ນສູງເຊັ່ນ Meta's API ຫຼື API ຂອງ Google ສັນຍາວ່າຄວາມກ້າວຫນ້າໃນການວິເຄາະຂໍ້ມູນແລະວິທະຍາສາດຂໍ້ມູນ.
ວິທີການສ້າງຫນ້າເວັບ (ຕົວຢ່າງ)
ໃນປັດຈຸບັນ, Langchain ແມ່ນມີຢູ່ໃນ Python ແລະ JavaScript Packages.
ພວກເຮົາສາມາດສ້າງ Web App ການສາທິດໂດຍໃຊ້ Streamlit, LangChain, ແລະຮູບແບບ OpenAI GPT-3 ເພື່ອປະຕິບັດແນວຄວາມຄິດ LangChain.
ແຕ່ທໍາອິດ, ພວກເຮົາຕ້ອງຕິດຕັ້ງການເພິ່ງພາອາໄສຈໍານວນຫນ້ອຍ, ລວມທັງ Streamlit, LangChain, ແລະ OpenAI.
ທາງສ່ວນຫນ້າຂອງເຄື່ອງອຸປະກອນ
ກະແສ: ຊຸດ Python ຍອດນິຍົມໃນການສ້າງແອັບພລິເຄຊັນເວັບທີ່ກ່ຽວຂ້ອງກັບວິທະຍາສາດຂໍ້ມູນ
OpenAI: ການເຂົ້າເຖິງຮູບແບບພາສາ GPT-3 ຂອງ OpenAI ແມ່ນຈໍາເປັນ.
ການຕິດຕັ້ງ dependencies ເຫຼົ່ານີ້, ໃຊ້ຄໍາສັ່ງຕໍ່ໄປນີ້ໃນ cmd:
pip install streamlit
pip install langchain
pip install openai
ນໍາເຂົ້າຊຸດ
ພວກເຮົາເລີ່ມຕົ້ນໂດຍການນໍາເຂົ້າຊຸດທີ່ຕ້ອງການ, ເຊັ່ນ OpenAI, LangChain, ແລະ Streamlit. ລະບົບຕ່ອງໂສ້ຕົວແບບພາສາຂອງພວກເຮົາແມ່ນຖືກກໍານົດແລະປະຕິບັດໂດຍໃຊ້ສາມຊັ້ນຮຽນຈາກ LangChain: LLMChain, SimpleSequentialChain, ແລະ PromptTemplate.
import streamlit as st
from langchain.chains import LLMChain, SimpleSequentialChain
from langchain.llms import OpenAI
from langchain.prompts import PromptTemplate
ການຕັ້ງຄ່າພື້ນຖານ
ພື້ນຖານໂຄງສ້າງຂອງໂຄງການຂອງພວກເຮົາໄດ້ຖືກວາງໄວ້ຫຼັງຈາກນັ້ນໂດຍໃຊ້ Streamlit syntax. ພວກເຮົາໄດ້ໃຫ້ app ຫົວຂໍ້ວ່າ "ແມ່ນຫຍັງເປັນຄວາມຈິງ: ການນໍາໃຊ້ລະບົບຕ່ອງໂສ້ລໍາດັບແບບງ່າຍດາຍ" ແລະລວມເອົາການເຊື່ອມຕໍ່ markdown ກັບບ່ອນເກັບມ້ຽນ GitHub ທີ່ເຮັດຫນ້າທີ່ເປັນແຮງບັນດານໃຈຂອງແອັບຯ.
import streamlit as st
from langchain.chains import LLMChain, SimpleSequentialChain
from langchain.llms import OpenAI
from langchain.prompts import PromptTemplate
Widgets ດ້ານໜ້າ
ພວກເຮົາຕັ້ງ app ດ້ວຍຂໍ້ມູນທີ່ກ່ຽວຂ້ອງຈໍານວນຫນ້ອຍ, ການນໍາໃຊ້ໄວຍະກອນ Streamlit ງ່າຍດາຍ:
# If an API key has been provided, create an OpenAI language model instance
if API:
llm = OpenAI(temperature=0.7, openai_api_key=API)
else:
# If an API key hasn't been provided, display a warning message
st.warning("Enter your OPENAI API-KEY. Get your OpenAI API key from [here](https://platform.openai.com/account/api-keys).\n")
ເພື່ອເພີ່ມ widget ດ້ານຫນ້າ
ນອກຈາກນັ້ນ, ພວກເຮົາຈໍາເປັນຕ້ອງໃຫ້ widget ການປ້ອນຂໍ້ມູນເພື່ອໃຫ້ຜູ້ໃຊ້ຂອງພວກເຮົາໃສ່ຄໍາຖາມໃດໆ.
# Add a text input box for the user's question
user_question = st.text_input(
"Enter Your Question : ",
placeholder = "Cyanobacteria can perform photosynthetsis , are they considered as plants?",
)
ສຳເລັດແລ້ວ! ຕ່ອງໂສ້ແມ່ນຂຶ້ນແລະແລ່ນ!
ພວກເຮົາຈ້າງຕ່ອງໂສ້ການດໍາເນີນການຕ່າງໆຮ່ວມກັນກັບ SimpleSequentialChain
ເພື່ອຕອບຄໍາຖາມຂອງຜູ້ໃຊ້. ລະບົບຕ່ອງໂສ້ຖືກປະຕິບັດໃນລໍາດັບຕໍ່ໄປນີ້ເມື່ອຜູ້ໃຊ້ເລືອກ "Tell me about it"
ປຸ່ມ:
if st.button("Tell me about it", type="primary"):
# Chain 1: Generating a rephrased version of the user's question
template = """{question}\n\n"""
prompt_template = PromptTemplate(input_variables=["question"], template=template)
question_chain = LLMChain(llm=llm, prompt=prompt_template)
# Chain 2: Generating assumptions made in the statement
template = """Here is a statement:
{statement}
Make a bullet point list of the assumptions you made when producing the above statement.\n\n"""
prompt_template = PromptTemplate(input_variables=["statement"], template=template)
assumptions_chain = LLMChain(llm=llm, prompt=prompt_template)
assumptions_chain_seq = SimpleSequentialChain(
chains=[question_chain, assumptions_chain], verbose=True
)
# Chain 3: Fact checking the assumptions
template = """Here is a bullet point list of assertions:
{assertions}
For each assertion, determine whether it is true or false. If it is false, explain why.\n\n"""
prompt_template = PromptTemplate(input_variables=["assertions"], template=template)
fact_checker_chain = LLMChain(llm=llm, prompt=prompt_template)
fact_checker_chain_seq = SimpleSequentialChain(
chains=[question_chain, assumptions_chain, fact_checker_chain], verbose=True
)
# Final Chain: Generating the final answer to the user's question based on the facts and assumptions
template = """In light of the above facts, how would you answer the question '{}'""".format(
user_question
)
template = """{facts}\n""" + template
prompt_template = PromptTemplate(input_variables=["facts"], template=template)
answer_chain = LLMChain(llm=llm, prompt=prompt_template)
overall_chain = SimpleSequentialChain(
chains=[question_chain, assumptions_chain, fact_checker_chain, answer_chain],
verbose=True,
)
# Running all the chains on the user's question and displaying the final answer
st.success(overall_chain.run(user_question))
question_chain
: ຊຶ່ງເປັນຂັ້ນຕອນທໍາອິດໃນທໍ່ຂອງພວກເຮົາ, ໄດ້ຮັບຄໍາຖາມຂອງຜູ້ໃຊ້ເປັນວັດສະດຸປ້ອນແລະຜົນຜະລິດ. ການສອບຖາມຂອງຜູ້ໃຊ້ເຮັດໜ້າທີ່ເປັນແມ່ແບບຂອງລະບົບຕ່ອງໂສ້.- ອີງໃສ່ຄໍາຖະແຫຼງທີ່ເຊື່ອມຕໍ່ກັບຄໍາຖາມ, ໄດ້
assumptions_chain
ສ້າງບັນຊີລາຍການ bullet-point ຂອງສົມມຸດຕິຖານໂດຍໃຊ້ຜົນໄດ້ຮັບຈາກquestion_chain
ເປັນການປ້ອນຂໍ້ມູນ. ໄດ້LLMChain
ແລະOpenAI
ຮູບແບບຈາກ LangChain ໄດ້ຖືກນໍາໃຊ້ເພື່ອສ້າງຄໍາຖະແຫຼງການ. ຜູ້ໃຊ້ຖືກມອບຫມາຍໃຫ້ສ້າງບັນຊີລາຍຊື່ສົມມຸດຕິຖານທີ່ສ້າງຂຶ້ນເພື່ອຜະລິດຄໍາຖະແຫຼງການໂດຍໃຊ້ແມ່ແບບສໍາລັບລະບົບຕ່ອງໂສ້ນີ້. - ອີງໃສ່ຜົນໄດ້ຮັບຈາກ
question_chain
ແລະassumptions_chain
, ການfact_checker_chain
ສ້າງບັນຊີລາຍຊື່ຂອງການຢືນຢັນໃນຮູບແບບຂອງຈຸດ bullet. ການຮຽກຮ້ອງແມ່ນຜະລິດໂດຍໃຊ້OpenAI
ແບບແລະLLMChain
ຈາກ LangChain. ຜູ້ໃຊ້ຖືກມອບຫມາຍໃຫ້ກໍານົດວ່າແຕ່ລະຄໍາຮ້ອງຂໍແມ່ນຖືກຕ້ອງຫຼືບໍ່ຖືກຕ້ອງແລະສະຫນອງເຫດຜົນສໍາລັບສິ່ງເຫຼົ່ານັ້ນ. - ໄດ້
answer_chain
ໃຊ້ຜົນໄດ້ຮັບຈາກquestion_chain
,assumptions_chain
, ແລະfact_checker_chain
ເປັນວັດສະດຸປ້ອນເພື່ອສ້າງຄໍາຕອບຕໍ່ຄໍາຖາມຂອງຜູ້ໃຊ້ໂດຍໃຊ້ຂໍ້ມູນທີ່ຜະລິດໂດຍລະບົບຕ່ອງໂສ້ກ່ອນຫນ້ານີ້. ແມ່ແບບສໍາລັບລະບົບຕ່ອງໂສ້ນີ້ຮຽກຮ້ອງໃຫ້ຜູ້ໃຊ້ຕອບສະຫນອງຕໍ່ການສອບຖາມທໍາອິດໂດຍໃຊ້ຂໍ້ເທັດຈິງທີ່ຖືກສ້າງຂຶ້ນ. - ເພື່ອສະຫນອງການຕອບສະຫນອງສູງສຸດຕໍ່ການສອບຖາມຂອງຜູ້ໃຊ້ໂດຍອີງໃສ່ຂໍ້ມູນທີ່ຜະລິດໂດຍລະບົບຕ່ອງໂສ້ກ່ອນຫນ້າ, ພວກເຮົາປະສົມປະສານລະບົບຕ່ອງໂສ້ເຫຼົ່ານີ້ເຂົ້າໄປໃນລະບົບຕ່ອງໂສ້ໂດຍລວມ. ຫຼັງຈາກຕ່ອງໂສ້ສໍາເລັດຮູບ, ພວກເຮົາໃຊ້
st.success()
ເພື່ອສະແດງໃຫ້ຜູ້ໃຊ້ເຫັນການແກ້ໄຂ.
ສະຫຼຸບ
ພວກເຮົາພຽງແຕ່ສາມາດລະບົບຕ່ອງໂສ້ການປະຕິບັດຕົວແບບພາສາທີ່ແຕກຕ່າງກັນເພື່ອສ້າງທໍ່ທີ່ສັບສົນຫຼາຍໂດຍການນໍາໃຊ້ SimpleSequentialChain
ໂມດູນຂອງ LangChain. ສໍາລັບຫຼາຍໆຄໍາຮ້ອງສະຫມັກ NLP, ລວມທັງ chatbots, ລະບົບຄໍາຖາມແລະຄໍາຕອບ, ແລະເຄື່ອງມືການແປພາສາພາສາ, ນີ້ອາດຈະເປັນປະໂຫຍດຫຼາຍ.
ຄວາມສະຫຼາດຂອງ LangChain ແມ່ນພົບເຫັນຢູ່ໃນຄວາມສາມາດຂອງຕົນໃນການບໍ່ມີຕົວຕົນ, ເຊິ່ງເຮັດໃຫ້ຜູ້ໃຊ້ສາມາດສຸມໃສ່ບັນຫາໃນປະຈຸບັນແທນທີ່ຈະເປັນສະເພາະຂອງການສ້າງແບບຈໍາລອງພາສາ.
LangChain ເຮັດໃຫ້ຂະບວນການຂອງການສ້າງຕົວແບບພາສາທີ່ຊັບຊ້ອນເປັນມິດກັບຜູ້ໃຊ້ຫຼາຍຂຶ້ນໂດຍການສະເຫນີຕົວແບບທາງສ່ວນຫນ້າຂອງການຝຶກອົບຮົມແລະການຄັດເລືອກຂອງແມ່ແບບ.
ມັນເຮັດໃຫ້ທ່ານມີທາງເລືອກໃນການປັບຕົວແບບພາສາໂດຍໃຊ້ຂໍ້ມູນຂອງຕົນເອງ, ເຮັດໃຫ້ມັນງ່າຍດາຍທີ່ຈະປັບແຕ່ງຕົວແບບພາສາ. ນີ້ເຮັດໃຫ້ການພັດທະນາຂອງແບບຈໍາລອງສະເພາະໂດເມນທີ່ຊັດເຈນກວ່າທີ່, ສໍາລັບວຽກທີ່ມອບໃຫ້, ປະຕິບັດຕົວແບບທີ່ໄດ້ຮັບການຝຶກອົບຮົມ.
ໄດ້ SimpleSequentialChain
ໂມດູນແລະລັກສະນະອື່ນໆຂອງ LangChain ເຮັດໃຫ້ມັນເປັນເຄື່ອງມືທີ່ມີປະສິດທິພາບໃນການພັດທະນາແລະນໍາໃຊ້ລະບົບ NLP ທີ່ມີຄວາມຊັບຊ້ອນຢ່າງໄວວາ.
ອອກຈາກ Reply ເປັນ