یہ پوسٹ LangChain فریم ورک کے ذریعے آؤٹ پٹ پارسر فنکشنز اور کلاسز کو استعمال کرنے کے طریقہ کار کی وضاحت کرتی ہے۔
LangChain کے ذریعے آؤٹ پٹ پارسر کا استعمال کیسے کریں؟
آؤٹ پٹ پارسر آؤٹ پٹ اور کلاسز ہیں جو ماڈل سے ساختی آؤٹ پٹ حاصل کرنے میں مدد کر سکتے ہیں۔ LangChain میں آؤٹ پٹ پارسر استعمال کرنے کا عمل سیکھنے کے لیے، بس درج کردہ مراحل سے گزریں:
مرحلہ 1: ماڈیولز انسٹال کریں۔
سب سے پہلے، اس عمل سے گزرنے کے لیے LangChain ماڈیول کو اس کے انحصار کے ساتھ انسٹال کرکے آؤٹ پٹ پارسر استعمال کرنے کا عمل شروع کریں:
pip انسٹال کریں langchain
اس کے بعد، اوپن اے آئی ماڈیول کو انسٹال کریں تاکہ اس کی لائبریریاں جیسے OpenAI اور ChatOpenAI استعمال کریں:
pip انسٹال کریں اوپنائی
اب، سیٹ اپ OpenAI کے لیے ماحول OpenAI اکاؤنٹ سے API کلید کا استعمال کرتے ہوئے:
ہمیں درآمد کریں
گیٹ پاس درآمد کریں۔
os.environ [ 'OPENAI_API_KEY' ] = getpass.getpass ( 'اوپن اے آئی API کلید:' )
مرحلہ 2: لائبریریاں درآمد کریں۔
اگلا مرحلہ فریم ورک میں آؤٹ پٹ پارسرز کو استعمال کرنے کے لیے LangChain سے لائبریریاں درآمد کرنا ہے۔
langchain.prompts سے HumanMessagePromptTemplate درآمد کریں۔
پیڈینٹک امپورٹ فیلڈ سے
langchain.prompts سے ChatPromptTemplate درآمد کریں۔
langchain.output_parsers سے PydanticOutputParser درآمد کریں۔
پیڈینٹک امپورٹ بیس ماڈل سے
pydantic درآمدی تصدیق کنندہ سے
langchain.chat_models سے ChatOpenAI درآمد کریں۔
langchain.llms سے OpenAI درآمد کریں۔
درآمد کی فہرست ٹائپ کرنے سے
مرحلہ 3: ڈیٹا کا ڈھانچہ بنانا
آؤٹ پٹ کا ڈھانچہ بنانا بڑی زبان کے ماڈلز میں آؤٹ پٹ پارسرز کا اہم اطلاق ہے۔ ماڈلز کے ڈیٹا سٹرکچر پر جانے سے پہلے، اس ماڈل کے نام کی وضاحت کرنا ضروری ہے جسے ہم آؤٹ پٹ پارسرز سے سٹرکچرڈ آؤٹ پٹ حاصل کرنے کے لیے استعمال کر رہے ہیں:
درجہ حرارت = 0.0
ماڈل = اوپن اے آئی ( ماڈل_نام =ماڈل_نام، درجہ حرارت =درجہ حرارت )
اب، ماڈل سے مذاق حاصل کرنے کے لیے آؤٹ پٹ کی ساخت کو ترتیب دینے کے لیے بیس ماڈل پر مشتمل جوک کلاس کا استعمال کریں۔ اس کے بعد، صارف pydantic کلاس کے ساتھ آسانی سے اپنی مرضی کے مطابق توثیق کی منطق شامل کر سکتا ہے جو صارف سے بہتر تشکیل شدہ استفسار/پرامپٹ ڈالنے کے لیے کہہ سکتا ہے:
کلاس مذاق ( بیس ماڈل ) :سیٹ اپ: str = فیلڈ ( تفصیل = 'مذاق ظاہر کرنے کے لیے سوال' )
punchline: str = فیلڈ ( تفصیل = 'مذاق کے ساتھ سوال کا جواب دیں' )
# استفسار کے لیے منطق کی توثیق کیونکہ ماڈل کو اسے صحیح طریقے سے سمجھنے کی ضرورت ہے۔
@ توثیق کرنے والا ( 'سیٹ اپ' )
def question_ends_with_question_mark ( cls، فیلڈ ) :
اگر میدان [ - 1 ] ! = '؟' :
ValueError بڑھائیں۔ ( 'بری طرح سے تشکیل شدہ سوال!' )
واپسی میدان
مرحلہ 4: پرامپٹ ٹیمپلیٹ ترتیب دینا
اس کے پیرامیٹرز پر مشتمل PydanticOutputParser() طریقہ پر مشتمل پارسر متغیر کو ترتیب دیں:
تجزیہ کار کو ترتیب دینے کے بعد، استفسار/پرامپٹ کی ساخت کے ساتھ PromptTemplate() طریقہ کا استعمال کرتے ہوئے صرف پرامپٹ متغیر کی وضاحت کریں:
prompt = PromptTemplate (سانچے = 'صارف کے سوال کا جواب دیں۔ \n {format_instructions} \n {استفسار} \n ' ,
input_variables = [ 'استفسار' ] ,
جزوی_متغیر = { 'فارمیٹ_ہدایات' : parser.get_format_instructions ( ) }
)
مرحلہ 5: آؤٹ پٹ پارسر کی جانچ کریں۔
تمام ضروریات کو ترتیب دینے کے بعد، ایک متغیر بنائیں جو استفسار کا استعمال کرتے ہوئے تفویض کیا گیا ہو اور پھر format_prompt() طریقہ کو کال کریں:
_input = prompt.format_prompt ( استفسار =جوک_سوال )
اب، آؤٹ پٹ متغیر کی وضاحت کے لیے ماڈل() فنکشن کو کال کریں:
آؤٹ پٹ = ماڈل ( _input.to_string ( ) )parser() طریقہ کو آؤٹ پٹ متغیر کے ساتھ اس کے پیرامیٹر کے طور پر کال کرکے جانچ کے عمل کو مکمل کریں:
parser.parse ( آؤٹ پٹ ) 
یہ سب LangChain میں آؤٹ پٹ پارسر استعمال کرنے کے عمل کے بارے میں ہے۔
نتیجہ
LangChain میں آؤٹ پٹ پارسر استعمال کرنے کے لیے، ماڈیولز انسٹال کریں اور اس کی API کلید کا استعمال کرتے ہوئے OpenAI ماحول کو ترتیب دیں۔ اس کے بعد، ماڈل کی وضاحت کریں اور پھر صارف کی طرف سے فراہم کردہ استفسار کی منطقی توثیق کے ساتھ آؤٹ پٹ کے ڈیٹا ڈھانچے کو ترتیب دیں۔ ایک بار ڈیٹا کا ڈھانچہ کنفیگر ہو جانے کے بعد، صرف پرامپٹ ٹیمپلیٹ سیٹ کریں، اور پھر ماڈل سے نتیجہ حاصل کرنے کے لیے آؤٹ پٹ پارسر کی جانچ کریں۔ اس گائیڈ نے LangChain فریم ورک میں آؤٹ پٹ پارسر کے استعمال کے عمل کو واضح کیا ہے۔