LangChain သည် Large Language Models (LLMs) ၏ ပါဝါကို အသုံးချရန် တီထွင်ထားသော နောက်ဆုံးပေါ်နှင့် ခိုင်မာသော ကိရိယာတစ်ခုဖြစ်သည်။
ဤ LLM များသည် ထူးထူးခြားခြား စွမ်းဆောင်ရည်များ ရှိပြီး ကျယ်ပြန့်သော လုပ်ငန်းဆောင်တာများကို ထိထိရောက်ရောက် ကိုင်တွယ်ဖြေရှင်းနိုင်ပါသည်။ သို့ရာတွင်၊ ၎င်းတို့၏ အစွမ်းသတ္တိသည် အတွင်းကျကျ နယ်ပယ်ကျွမ်းကျင်မှုထက် ၎င်းတို့၏ ယေဘုယျသဘောသဘာဝတွင် တည်ရှိကြောင်း သတိပြုရန် အရေးကြီးသည်။ GPT-4 ကို စတင်မိတ်ဆက်ကတည်းက ၎င်း၏ကျော်ကြားမှုသည် လျင်မြန်စွာကြီးထွားလာခဲ့သည်။
LLM များသည် အလုပ်အမျိုးမျိုးကို ကိုင်တွယ်ရာတွင် ထူးချွန်သော်လည်း တိကျသောအဖြေများပေးဆောင်ခြင်း သို့မဟုတ် လေးနက်သော ဒိုမိန်းအသိပညာလိုအပ်သည့် အလုပ်များကို ကိုင်တွယ်ဖြေရှင်းရာတွင် ကန့်သတ်ချက်များနှင့် ရင်ဆိုင်ရနိုင်သည်။ ဥပမာအားဖြင့်၊ ဆေး သို့မဟုတ် ဥပဒေကဲ့သို့ အထူးပြုနယ်ပယ်များအတွင်း မေးခွန်းများဖြေဆိုရန် သို့မဟုတ် လုပ်ဆောင်စရာများကို လုပ်ဆောင်ရန် LLM ကို အသုံးပြု၍ စဉ်းစားကြည့်ပါ။
LLM သည် ဤနယ်ပယ်များနှင့်ပတ်သက်သည့် အထွေထွေစုံစမ်းမေးမြန်းမှုများကို သေချာပေါက် တုံ့ပြန်နိုင်သော်လည်း အထူးပြုအသိပညာ သို့မဟုတ် ကျွမ်းကျင်မှုလိုအပ်သည့် အသေးစိတ် သို့မဟုတ် သပ်ရပ်သောအဖြေများကို ပေးဆောင်ရန် ခက်ခဲနိုင်သည်။
အဘယ်ကြောင့်ဆိုသော် LLM များသည် မတူညီသောရင်းမြစ်များမှ များပြားလှသော စာသားဒေတာများကို လေ့ကျင့်သင်ကြားထားသောကြောင့် ပုံစံများကို လေ့လာရန်၊ အကြောင်းအရာကို နားလည်ကာ ပေါင်းစပ်တုံ့ပြန်မှုများကို ဖန်တီးနိုင်သောကြောင့်ဖြစ်သည်။ သို့သော်၊ ၎င်းတို့၏လေ့ကျင့်ရေးသည် ပုံမှန်အားဖြင့် ထိုနယ်ပယ်ရှိ လူသားကျွမ်းကျင်သူများကဲ့သို့ တူညီသောအတိုင်းအတာအထိ ဒိုမိန်းသီးသန့် သို့မဟုတ် အထူးပြု အသိပညာများရယူခြင်းတွင် မပါဝင်ပါ။
ထို့ကြောင့် LangChain သည် LLMs များနှင့် တွဲဖက်၍ ကျယ်ပြန့်သော လုပ်ငန်းဆောင်တာများအတွက် အဖိုးမဖြတ်နိုင်သော ကိရိယာတစ်ခုဖြစ်သော်လည်း အချို့သောအခြေအနေများတွင် နက်နဲသော ဒိုမိန်းကျွမ်းကျင်မှု လိုအပ်နေသေးကြောင်း အသိအမှတ်ပြုရန် အရေးကြီးပါသည်။ အထူးပြုအသိပညာရှိသော လူ့ကျွမ်းကျင်ပညာရှင်များသည် LLM တစ်ခုတည်း၏စွမ်းရည်ထက် ကျော်လွန်နိုင်သည့် လိုအပ်သော နက်နဲမှု၊ သိမ်မွေ့သော နားလည်မှုနှင့် ဆက်စပ်သော သိမြင်နားလည်မှုများကို ပေးစွမ်းနိုင်ပါသည်။
LangChain ၏ docs သို့မဟုတ် ကြည့်ရှုရန် အကြံပြုလိုပါသည်။ GitHub ၎င်း၏ သာမာန်အသုံးပြုမှုကိစ္စများကို ပိုမို စေ့စေ့စပ်စပ် နားလည်နိုင်စေရန် သိုလှောင်မှု။ ဤအစုအဝေး၏ ပိုကြီးသောပုံတစ်ပုံကို ရယူရန် အထူးအကြံပြုလိုပါသည်။
ဒါကဘယ်လိုမျိုးအလုပ်လုပ်သလဲ?
LangChain ၏ရည်ရွယ်ချက်နှင့်လုပ်ငန်းကိုနားလည်ရန်၊ လက်တွေ့နမူနာတစ်ခုကို သုံးသပ်ကြည့်ကြပါစို့။ GPT-4 တွင် အထင်ကြီးလောက်သော အထွေထွေဗဟုသုတရှိပြီး မေးခွန်းများစွာအတွက် ယုံကြည်စိတ်ချရသော အဖြေများကို ပေးစွမ်းနိုင်ကြောင်း ကျွန်ုပ်တို့ သိရှိပါသည်။
သို့သော်၊ ကျွန်ုပ်တို့သည် ကိုယ်ရေးကိုယ်တာ စာရွက်စာတမ်း၊ စာအုပ်၊ PDF ဖိုင် သို့မဟုတ် ကိုယ်ပိုင်ဒေတာဘေ့စ်ကဲ့သို့သော ကျွန်ုပ်တို့၏ကိုယ်ပိုင်ဒေတာမှ တိကျသောအချက်အလက်များကို လိုချင်လျှင်ကော။
LangChain သည် ကျွန်ုပ်တို့အား ချိတ်ဆက်နိုင်စေပါသည်။ ကြီးမားသောဘာသာစကားမော်ဒယ် ကျွန်ုပ်တို့၏ကိုယ်ပိုင်ဒေတာအရင်းအမြစ်များအတွက် GPT-4 ကဲ့သို့ဖြစ်သည်။ ၎င်းသည် ချက်တင်အင်တာဖေ့စ်တွင် စာသားအတိုအထွာကို ကူးထည့်ရုံမျှသာဖြစ်သည်။ ယင်းအစား၊ ကျွန်ုပ်တို့သည် ကျွန်ုပ်တို့၏ကိုယ်ပိုင်ဒေတာများဖြင့် ပြည့်နေသော ဒေတာဘေ့စ်တစ်ခုလုံးကို ကိုးကားနိုင်ပါသည်။
ကျွန်ုပ်တို့အလိုရှိသောအချက်အလက်များကိုရရှိသည်နှင့်တစ်ပြိုင်နက်၊ LangChain သည် ကျွန်ုပ်တို့အား သီးခြားလုပ်ဆောင်မှုများလုပ်ဆောင်ရာတွင် ကူညီပေးနိုင်ပါသည်။ ဥပမာအားဖြင့်၊ အချို့သောအသေးစိတ်အချက်အလက်များပါရှိသော အီးမေးလ်တစ်စောင်ပေးပို့ရန် ၎င်းကို ညွှန်ကြားနိုင်သည်။
၎င်းကိုအောင်မြင်ရန်၊ ကျွန်ုပ်တို့သည် LangChain ကိုအသုံးပြု၍ ပိုက်လိုင်းချဉ်းကပ်မှုကို လိုက်နာသည်။ အရင်ဆုံး လိုချင်တဲ့ စာရွက်စာတမ်းကို ယူလိုက်ပါ။ ဘာသာစကားပုံစံ အကိုးအကားလုပ်ပြီး အတုံးသေးသေးလေးတွေခွဲပါ။ ထို့နောက် အဆိုပါအပိုင်းများကို မြှုပ်နှံထားသည့်အရာများအဖြစ် သိမ်းဆည်းထားသည်။ Vector Database တွင် စာသားများ၏ vector ကိုယ်စားပြုမှုများ.
ဤစနစ်ထည့်သွင်းခြင်းဖြင့်၊ ကျွန်ုပ်တို့သည် စံပိုက်လိုင်းကို လိုက်နာသော ဘာသာစကားမော်ဒယ် အပလီကေးရှင်းများကို တည်ဆောက်နိုင်သည်- အသုံးပြုသူတစ်ဦးမှ ကနဦးမေးခွန်းတစ်ခုမေးပြီး ဘာသာစကားမော်ဒယ်သို့ ပေးပို့သည်။ မေးခွန်း၏ vector ကိုယ်စားပြုမှုကို Vector ဒေတာဘေ့စ်တွင် ဆင်တူယိုးမှားရှာဖွေမှုပြုလုပ်ရန် သက်ဆိုင်ရာအချက်အလက်များ၏အပိုင်းများကို ပြန်လည်ရယူရန်အတွက် အသုံးပြုသည်။
ထို့နောက် အဆိုပါအပိုင်းများကို ဘာသာစကားပုံစံသို့ ပြန်လည်ထည့်သွင်းပြီး အဖြေတစ်ခုပေးစွမ်းနိုင်သည် သို့မဟုတ် အလိုရှိသောလုပ်ဆောင်ချက်ကို လုပ်ဆောင်နိုင်စေမည်ဖြစ်သည်။
ကျွန်ုပ်တို့သည် ကျွန်ုပ်တို့၏ကိုယ်ပိုင်ဒေတာကို vector စတိုးတွင် ကိုးကားနိုင်ပြီး ၎င်းတို့သည် မေးခွန်းများကိုဖြေဆိုခြင်းထက် လုပ်ဆောင်ချက်များကို လုပ်ဆောင်နိုင်သောကြောင့် LangChain သည် ဒေတာသိရှိနားလည်သည့်အက်ပ်လီကေးရှင်းများ၏ဖွံ့ဖြိုးတိုးတက်မှုကို ပံ့ပိုးပေးပါသည်။ T
ကြီးမားသောဘာသာစကားပုံစံတစ်ခုသည် လေယာဉ်ပျံစာရင်းသွင်းခြင်း၊ ငွေလွှဲခြင်း သို့မဟုတ် အခွန်ဆိုင်ရာကိစ္စရပ်များကို ကူညီပေးခြင်းကဲ့သို့သော လုပ်ငန်းဆောင်တာများကို ကိုင်တွယ်ဆောင်ရွက်နိုင်သည့် အထူးသဖြင့် ကိုယ်ရေးကိုယ်တာအကူအညီတွင် လက်တွေ့အသုံးပြုမှုများစွာကို ဖွင့်လှစ်ပေးပါသည်။
ထို့အပြင်၊ ဘာသာစကားပုံစံတစ်ခုသည် သင်ရိုးညွှန်းတမ်းတစ်ခုလုံးကို ကိုးကားပြီး သင်ယူမှုလုပ်ငန်းစဉ်ကို အရှိန်မြှင့်နိုင်သောကြောင့် ဘာသာရပ်အသစ်များကို လေ့လာခြင်းနှင့် သင်ယူခြင်းအတွက် သက်ရောက်မှုများ သိသာထင်ရှားပါသည်။ ကုဒ်ရေးခြင်း၊ ဒေတာခွဲခြမ်းစိတ်ဖြာခြင်းနှင့် ဒေတာသိပ္ပံတို့သည် ဤတိုးတက်မှုများကြောင့် များစွာလွှမ်းမိုးနိုင်မည်ဟု မျှော်လင့်ပါသည်။
စိတ်လှုပ်ရှားစရာအကောင်းဆုံး အလားအလာများထဲမှတစ်ခုမှာ ဖောက်သည်အချက်အလက် သို့မဟုတ် စျေးကွက်ရှာဖွေရေးဒေတာများကဲ့သို့ ရှိပြီးသား ကုမ္ပဏီဒေတာနှင့် ကြီးမားသောဘာသာစကားမော်ဒယ်များကို ချိတ်ဆက်ခြင်းဖြစ်သည်။ Meta's API သို့မဟုတ် Google's API ကဲ့သို့သော အဆင့်မြင့် API များနှင့် ပေါင်းစပ်ခြင်းသည် ဒေတာခွဲခြမ်းစိတ်ဖြာမှုနှင့် ဒေတာသိပ္ပံတွင် ကိန်းဂဏန်းတိုးတက်မှုကို ကတိပေးပါသည်။
ဝဘ်စာမျက်နှာတည်ဆောက်နည်း (သရုပ်ပြ)
လက်ရှိတွင် Langchain ကို Python နှင့် JavaScript Packages များအဖြစ် ရနိုင်ပါသည်။
LangChain အယူအဆကိုအကောင်အထည်ဖော်ရန် Streamlit၊ LangChain နှင့် OpenAI GPT-3 မော်ဒယ်ကို အသုံးပြု၍ သရုပ်ပြဝဘ်အက်ပ်ကို ဖန်တီးနိုင်သည်။
သို့သော် ဦးစွာ၊ Streamlit၊ LangChain နှင့် OpenAI အပါအဝင် မှီခိုမှုအနည်းငယ်ကို ထည့်သွင်းရပါမည်။
ဆိုင်ရာ
တိုက်ရိုက်ထုတ်လွှင့်မှု- ဒေတာသိပ္ပံဆိုင်ရာ ဝဘ်အက်ပလီကေးရှင်းများ ဖန်တီးရန်အတွက် နာမည်ကြီး Python အထုပ်
OpenAI- OpenAI ၏ GPT-3 ဘာသာစကားမော်ဒယ်သို့ ဝင်ရောက်ခွင့် လိုအပ်ပါသည်။
ဤမှီခိုမှုများအား ထည့်သွင်းရန် cmd တွင် အောက်ပါ command များကို အသုံးပြုပါ။
pip install streamlit
pip install langchain
pip install openai
Packages များကို တင်သွင်းပါ။
OpenAI၊ LangChain နှင့် Streamlit ကဲ့သို့သော လိုအပ်သော ပက်ကေ့ခ်ျများကို တင်သွင်းခြင်းဖြင့် ကျွန်ုပ်တို့ စတင်ပါသည်။ ကျွန်ုပ်တို့၏ဘာသာစကားမော်ဒယ်ကွင်းဆက်များကို LangChain၊ LLMChain၊ SimpleSequentialChain နှင့် PromptTemplate တို့မှ အတန်းသုံးမျိုးဖြင့် သတ်မှတ်ပြီး လုပ်ဆောင်ပါသည်။
import streamlit as st
from langchain.chains import LLMChain, SimpleSequentialChain
from langchain.llms import OpenAI
from langchain.prompts import PromptTemplate
အခြေခံပညာ Setup ကို
ထို့နောက် ကျွန်ုပ်တို့၏ပရောဂျက်၏ဖွဲ့စည်းပုံအခြေခံကို Streamlit syntax ကိုအသုံးပြု၍ ထည့်သွင်းခဲ့သည်။ ကျွန်ုပ်တို့သည် အက်ပ်အား “အမှန်တရားဟူသည်- ရိုးရှင်းသော ဆင့်ကဲကွင်းဆက်ကိုအသုံးပြုခြင်း” ဟူသော ခေါင်းစဉ်ပေးခဲ့ပြီး အက်ပ်၏လှုံ့ဆော်မှုအဖြစ် လုပ်ဆောင်ခဲ့သော GitHub သိုလှောင်ရာသို့ အမှတ်အသားပြုသည့်လင့်ခ်ကို ထည့်သွင်းပေးခဲ့သည်။
import streamlit as st
from langchain.chains import LLMChain, SimpleSequentialChain
from langchain.llms import OpenAI
from langchain.prompts import PromptTemplate
Front-End Widgets
ကျွန်ုပ်တို့သည် ရိုးရှင်းသော Streamlit syntax ကို အသုံးပြု၍ သက်ဆိုင်ရာ အချက်အလက်အနည်းငယ်ဖြင့် အက်ပ်ကို စနစ်ထည့်သွင်းသည်-
# 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")
ရှေ့ဆုံးဝစ်ဂျက်များထည့်ရန်
ထို့အပြင်၊ ကျွန်ုပ်တို့သည် ကျွန်ုပ်တို့၏အသုံးပြုသူများအား မေးခွန်းများကို ထည့်သွင်းခွင့်ပြုရန်အတွက် ထည့်သွင်းမှုဝစ်ဂျက်တစ်ခု ပံ့ပိုးပေးရန်လိုအပ်ပါသည်။
# 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?",
)
အားလုံးပြီးပြီ! သံကြိုးတွေက တအားပြေးနေတယ်။
ကျွန်ုပ်တို့နှင့်အတူ အမျိုးမျိုးသော လုပ်ငန်းဆောင်ရွက်မှုကွင်းဆက်များကို အသုံးချသည်။ SimpleSequentialChain
အသုံးပြုသူ၏မေးမြန်းချက်ကိုတုံ့ပြန်ရန်။ အသုံးပြုသူမှ ရွေးချယ်သောအခါတွင် ကွင်းဆက်များကို အောက်ပါအစီအစဥ်အတိုင်း လုပ်ဆောင်သည်။ "Tell me about it"
ခလုတ်ကို:
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
: ကျွန်ုပ်တို့၏ ပိုက်လိုင်း၏ ပထမခြေလှမ်းဖြစ်သည့်၊ အသုံးပြုသူ၏ မေးခွန်းကို အဝင်နှင့် အထွက်အဖြစ် လက်ခံသည်။ အသုံးပြုသူ၏မေးမြန်းချက်သည် ကွင်းဆက်၏ပုံစံအတိုင်း လုပ်ဆောင်သည်။- အဆိုပါမေးခွန်းနှင့်ဆက်စပ်သောထုတ်ပြန်ချက်အပေါ်အခြေခံ၍ အဆိုပါ၊
assumptions_chain
အထွက်ကို အသုံးပြု၍ ကျည်ဆံအမှတ်စာရင်းကို ထုတ်ပေးသည်။question_chain
ထည့်သွင်းမှုအဖြစ်။ ဟိLLMChain
နှင့်OpenAI
ထုတ်ပြန်ချက်ကို တည်ဆောက်ရန်အတွက် LangChain မှ မော်ဒယ်ကို အသုံးပြုခဲ့သည်။ အသုံးပြုသူသည် ဤကွင်းဆက်အတွက် နမူနာပုံစံကို အသုံးပြု၍ ထုတ်ပြန်ချက်ထုတ်ရန်အတွက် ပြုလုပ်ထားသည့် ယူဆချက်စာရင်းကို ဖန်တီးရန် တာဝန်ပေးထားသည်။ - မှထွက်ရှိချက်များကိုအခြေခံသည်။
question_chain
နှင့်assumptions_chain
, အfact_checker_chain
ကျည်ဆန်အမှတ်ပုံစံဖြင့် အခိုင်အမာပြောဆိုမှုစာရင်းကို ထုတ်ပေးသည်။ တောင်းဆိုချက်များကို အသုံးပြု၍ ထုတ်လုပ်သည်။OpenAI
စံပြနှင့်LLMChain
LangChain မှ တောင်းဆိုမှုတစ်ခုစီသည် မှန်ကန်ခြင်းရှိမရှိ သို့မဟုတ် မှားယွင်းခြင်းရှိမရှိ ဆုံးဖြတ်ရန်နှင့် ၎င်းတို့အတွက် မျှတမှုပေးဆောင်ရန် အသုံးပြုသူအား တာဝန်ပေးထားသည်။ - အဆိုပါ
answer_chain
မှ output ကိုအသုံးပြုသည်။question_chain
,assumptions_chain
နှင့်fact_checker_chain
အသုံးပြုသူ၏မေးခွန်းအတွက် တုံ့ပြန်မှုဖန်တီးရန် သွင်းအားစုများအဖြစ် အစောပိုင်းကွင်းဆက်များမှ ထုတ်လုပ်သည့်ဒေတာကို အသုံးပြုခြင်း။ ဤကွင်းဆက်အတွက် နမူနာပုံစံသည် ဖန်တီးထားသည့် အချက်အလက်များကို အသုံးပြု၍ အသုံးပြုသူမှ ပထမဆုံးမေးမြန်းချက်ကို တုံ့ပြန်ရန် တောင်းဆိုသည်။ - အစောပိုင်း ကွင်းဆက်များမှ ထုတ်လုပ်သည့် အချက်အလက်များအပေါ် အခြေခံ၍ သုံးစွဲသူ၏ စုံစမ်းမေးမြန်းမှုကို အဆုံးစွန်သော တုံ့ပြန်မှုပေးရန်၊ ကျွန်ုပ်တို့သည် အဆိုပါ ကွင်းဆက်များကို ကွင်းဆက်တစ်ခုလုံးတွင် ပေါင်းစပ်ထားသည်။ သံကြိုးများ ပြီးပါက၊ ကျွန်ုပ်တို့ အသုံးပြုသည်။
st.success()
အသုံးပြုသူကိုဖြေရှင်းချက်ပြသရန်။
ကောက်ချက်
ကျွန်ုပ်တို့သည် ပိုမိုရှုပ်ထွေးသော ပိုက်လိုင်းများကို ဖန်တီးရန်အတွက် မတူညီသော ဘာသာစကား မော်ဒယ်လုပ်ဆောင်ချက်များကို ရိုးရှင်းစွာ ချိတ်ဆက်နိုင်ပါသည်။ SimpleSequentialChain
LangChain ၏ module chatbots၊ အမေးအဖြေစနစ်နှင့် ဘာသာစကားဘာသာပြန်ကိရိယာများအပါအဝင် ကျယ်ပြန့်သော NLP အပလီကေးရှင်းများအတွက်၊ ၎င်းသည် အတော်လေး အထောက်အကူဖြစ်နိုင်ပါသည်။
LangChain ၏ ထက်မြက်မှုအား ၎င်း၏ စိတ္တဇ စွမ်းရည်တွင် တွေ့ရှိရပြီး၊ ၎င်းသည် အသုံးပြုသူအား ဘာသာစကား ပုံစံထုတ်ခြင်း၏ သီးခြားအချက်များထက် လက်ရှိပြဿနာကို အာရုံစိုက်နိုင်စေပါသည်။
LangChain သည် ကြိုတင်လေ့ကျင့်သင်ကြားထားသော မော်ဒယ်များနှင့် နမူနာပုံစံများ ရွေးချယ်ခြင်းဖြင့် ပိုမိုခေတ်မီသော ဘာသာစကား မော်ဒယ်များ ဖန်တီးခြင်း လုပ်ငန်းစဉ်ကို ပြုလုပ်သည်။
၎င်းသည် သင့်အား ၎င်းတို့၏ကိုယ်ပိုင်ဒေတာကို အသုံးပြု၍ ဘာသာစကားမော်ဒယ်များကို ချိန်ညှိရန် ရွေးချယ်ခွင့်ကို ပေးထားပြီး ဘာသာစကားမော်ဒယ်များကို စိတ်ကြိုက်ပြင်ဆင်ရန် ရိုးရှင်းစေသည်။ ၎င်းသည် ပေးထားသောအလုပ်အတွက် လေ့ကျင့်ထားသော မော်ဒယ်များထက် ပိုမိုတိကျသော၊ ဒိုမိန်းအလိုက် မော်ဒယ်များကို တီထွင်နိုင်စေပါသည်။
အဆိုပါ SimpleSequentialChain
မော်ဂျူးနှင့် LangChain ၏ အခြားအင်္ဂါရပ်များက ၎င်းအား ခေတ်မီဆန်းပြားသော NLP စနစ်များကို လျင်မြန်စွာ ဖန်တီးခြင်းနှင့် အသုံးချခြင်းအတွက် ထိရောက်သောကိရိယာတစ်ခုဖြစ်စေသည်။
တစ်ဦးစာပြန်ရန် Leave