LangChain میں ایجنٹوں کا استعمال کرتے ہوئے MRKL سسٹم کی نقل کیسے بنائیں؟

LangChain صارف کو ایسے ایجنٹ بنانے کی اجازت دیتا ہے جو زبان کے ماڈلز یا چیٹ بوٹس کے لیے متعدد کام انجام دینے کے لیے استعمال کیے جاسکتے ہیں۔ ایجنٹ اپنے کام کو زبان کے ماڈل سے منسلک میموری میں تمام مراحل کے ساتھ محفوظ کرتے ہیں۔ ان ٹیمپلیٹس کا استعمال کرتے ہوئے، ایجنٹ MRKL جیسے کسی بھی سسٹم کے کام کو دوبارہ بنا کر بہتر نتائج حاصل کرنے کے لیے نقل کر سکتا ہے۔

LangChain میں ایجنٹوں کا استعمال کرتے ہوئے MRKL سسٹم کی نقل تیار کرنے کے عمل کو جاننے کے لیے، بس درج کردہ مراحل سے گزریں:

مرحلہ 1: فریم ورک انسٹال کرنا

سب سے پہلے، langchain تجرباتی کمانڈ کے ساتھ پائپ کا استعمال کرتے ہوئے LangChain تجرباتی ماڈیولز انسٹال کریں:

pip install langchain-تجرباتی

MRKL سسٹم کے لیے لینگویج ماڈل بنانے کے لیے OpenAI ماڈیول انسٹال کریں:

پائپ انسٹال اوپنائی

مرحلہ 2: OpenAI ماحول کو ترتیب دینا

OpenAI اور SerpAPi اکاؤنٹس کے لیے صارف کو API کیز فراہم کرنے کے لیے آپریٹنگ تک رسائی حاصل کرنے کے لیے OS اور getpass لائبریریوں کو درآمد کریں:

درآمد تم

درآمد گیٹ پاس

تم . تقریباً [ 'OPENAI_API_KEY' ] = گیٹ پاس . گیٹ پاس ( 'اوپن اے آئی API کلید:' )

تم . تقریباً [ 'SERPAPI_API_KEY' ] = گیٹ پاس . گیٹ پاس ( 'Serpapi API کلید:' )

مرحلہ 3: لائبریریاں درآمد کرنا

لینگویج ماڈل، ٹولز اور ایجنٹس کی تعمیر کے لیے مطلوبہ لائبریریوں کو درآمد کرنے کے لیے LangChain سے انحصار کا استعمال کریں:

سے langchain زنجیریں درآمد ایل ایل ایم میتھ چین

سے langchain ایل ایم ایس درآمد اوپن اے آئی

سے langchain افادیت درآمد SerpAPIWrapper

سے langchain افادیت درآمد ایس کیو ایل ڈیٹا بیس

سے langchain_experimental ایس کیو ایل درآمد ایس کیو ایل ڈیٹا بیس چین

سے langchain ایجنٹس درآمد ابتدائیہ_ایجنٹ ، ٹول

سے langchain ایجنٹس درآمد ایجنٹ کی قسم

مرحلہ 4: ڈیٹا بیس بنانا

MRKL ڈیٹا سے معلومات نکالنے کے لیے بیرونی علمی ذرائع کا استعمال کرتا ہے۔ یہ پوسٹ SQLite کا استعمال کرتی ہے جسے اس کا استعمال کرکے ڈاؤن لوڈ کیا جا سکتا ہے۔ رہنما ڈیٹا بیس بنانے کے لیے۔ درج ذیل کمانڈ SQLite کو اس کا انسٹال شدہ ورژن دکھا کر ڈاؤن لوڈ کرنے کے عمل کی تصدیق کرتی ہے۔

sqlite3

کمانڈ پرامپٹ کا استعمال کرتے ہوئے ڈیٹا بیس بنانے کے لیے ڈائرکٹری کے اندر درج ذیل کمانڈ کا استعمال کریں۔

سی ڈی ڈیسک ٹاپ

سی ڈی mydb

sqlite3 چنوک۔ ڈی بی

ڈاؤن لوڈ کریں۔ ڈیٹا بیس فائل کریں اور اسے ڈائرکٹری میں اسٹور کریں تاکہ ' بنانے کے لیے درج ذیل کمانڈ کا استعمال کریں۔ .db فائل:

. پڑھیں Chinook_Sqlite. ایس کیو ایل

فنکار کی حد سے * منتخب کریں۔ 10 ;

مرحلہ 5: ڈیٹا بیس اپ لوڈ کرنا

ایک بار ڈیٹا بیس کامیابی کے ساتھ بن جانے کے بعد، فائل کو Google collaboratory میں اپ لوڈ کریں:

سے گوگل ET رحمہ اللہ تعالی درآمد فائلوں

اپ لوڈ = فائلوں. اپ لوڈ کریں ( )

صارف اپنے ڈراپ ڈاؤن مینو سے اپنا راستہ کاپی کرنے کے لیے نوٹ بک پر اپ لوڈ کردہ فائل تک رسائی حاصل کر سکتا ہے:

مرحلہ 6: ٹولز کی تشکیل

ڈیٹا بیس بنانے کے بعد، ایجنٹوں کے لیے زبان کے ماڈل، ٹولز اور چینز کو ترتیب دیں:

تلاش کریں = SerpAPIWrapper ( )
ایل ایل ایم = اوپن اے آئی ( درجہ حرارت = 0 )
llm_math_chain = ایل ایل ایم میتھ چین ( ایل ایل ایم = ایل ایل ایم ، لفظی = سچ ہے۔ )
ڈی بی = ایس کیو ایل ڈیٹا بیس۔ سے_uri ( 'sqlite:///../../../../../content/Chinook.db' )
db_chain = ایس کیو ایل ڈیٹا بیس چین۔ سے_llm ( ایل ایل ایم ، ڈی بی ، لفظی = سچ ہے۔ )
اوزار = [
ٹول (
نام = 'تلاش' ،
func = تلاش کریں رن ،
تفصیل = 'حالیہ معاملات کے بارے میں جوابات حاصل کرنے کے لیے ٹارگٹ پرامپٹس سے پوچھیں'
) ،
ٹول (
نام = 'کیلکولیٹر' ،
func = llm_math_chain رن ،
تفصیل = 'ریاضی کے مسائل کا جواب دینے/حل کرنے کے لیے مفید'
) ،
ٹول (
نام = 'فوبار ڈی بی' ،
func = db_chain. رن ،
تفصیل = 'ڈیٹا بیس سے سوالات کا جواب دینے کے لیے مفید ہے اور ان پٹ سوال کا مکمل سیاق و سباق ہونا چاہیے'
)
]

کی وضاحت کریں۔ ایل ایل ایم کا استعمال کرتے ہوئے متغیر OpenAI() زبان کا ماڈل حاصل کرنے کا طریقہ۔
دی تلاش کریں وہ آلہ ہے جو کال کرتا ہے۔ SerpAPIWrapper() اس کے ماحول تک رسائی کا طریقہ۔
دی LLMMathChain() طریقہ ریاضی کے مسائل سے متعلق جوابات حاصل کرنے کے لیے استعمال کیا جاتا ہے۔
کی وضاحت کریں۔ ڈی بی کے اندر فائل کے راستے کے ساتھ متغیر SQL ڈیٹا بیس () طریقہ
دی SQLDatabaseChain() ڈیٹا بیس سے معلومات حاصل کرنے کے لیے طریقہ استعمال کیا جا سکتا ہے۔
جیسے ٹولز کی وضاحت کریں۔ تلاش کریں ، کیلکولیٹر ، اور فو بار ڈی بی مختلف ذرائع سے ڈیٹا نکالنے کے لیے ایجنٹ بنانے کے لیے:

مرحلہ 7: ایجنٹ کی تعمیر اور جانچ

صارف کے پوچھے گئے سوالات کے جوابات حاصل کرنے کے لیے ٹولز، ایل ایل ایم اور ایجنٹ کا استعمال کرتے ہوئے MRKL سسٹم کو شروع کریں:

mrkl = ابتدائیہ_ایجنٹ ( اوزار , ایل ایل ایم , ایجنٹ = ایجنٹ کی قسم۔ ZERO_SHOT_REACT_DESCRIPTION , لفظی = سچ ہے۔ )

MRKL سسٹم کو run() طریقہ استعمال کرتے ہوئے اس کی دلیل کے طور پر سوال کے ساتھ چلائیں:

mrkl. رن ( 'لیو ڈی کیپریو اور ان کی گرل فرینڈ کی موجودہ عمر کیا ہے ان کی عمر کا فرق بھی بتا دیں' )

آؤٹ پٹ

ایجنٹ نے حتمی جواب نکالنے کے لیے سسٹم کے ذریعے استعمال کیے گئے مکمل راستے کے ساتھ حتمی جواب تیار کیا ہے:

مرحلہ 8: MRKL سسٹم کی نقل تیار کریں۔

اب، صرف استعمال کریں mrkl مختلف ذرائع جیسے ڈیٹا بیس سے جوابات حاصل کرنے کے لیے run() طریقہ کے ساتھ کلیدی لفظ:

mrkl. رن ( 'اس فنکار کا پورا نام کیا ہے جس کا البم 'The Storm Before the Calm' حال ہی میں ریلیز ہوا ہے اور کیا وہ FooBar ڈیٹا بیس میں بھی ہیں کہ ان کے کون سے البم ڈیٹا بیس میں ہیں' )

ایجنٹ نے ڈیٹا بیس سے جواب حاصل کرنے کے لیے خود بخود سوال کو SQL استفسار میں تبدیل کر دیا ہے۔ ایجنٹ جواب حاصل کرنے کے لیے صحیح ذریعہ تلاش کرتا ہے اور پھر معلومات کو نکالنے کے لیے استفسار کو جمع کرتا ہے:

مرحلہ 9: ChatModel استعمال کرنا

صارف آسانی سے ChatOpenAI() طریقہ استعمال کرکے زبان کے ماڈل کو تبدیل کر سکتا ہے تاکہ اسے ChatModel بنایا جا سکے اور اس کے ساتھ MRKL سسٹم استعمال کیا جا سکے۔

سے langchain چیٹ_ماڈلز درآمد چیٹ اوپن اے آئی

تلاش کریں = SerpAPIWrapper ( )
ایل ایل ایم = چیٹ اوپن اے آئی ( درجہ حرارت = 0 )
llm1 = اوپن اے آئی ( درجہ حرارت = 0 )
llm_math_chain = ایل ایل ایم میتھ چین ( ایل ایل ایم = llm1 , لفظی = سچ ہے۔ )
ڈی بی = ایس کیو ایل ڈیٹا بیس۔ سے_uri ( 'sqlite:///../../../../../content/Chinook.db' )
db_chain = ایس کیو ایل ڈیٹا بیس چین۔ سے_llm ( llm1 , ڈی بی , لفظی = سچ ہے۔ )
اوزار = [
ٹول (
نام = 'تلاش' ,
func = تلاش کریں رن ,
تفصیل = 'حالیہ معاملات کے بارے میں جوابات حاصل کرنے کے لیے ٹارگٹ پرامپٹس سے پوچھیں'
) ,
ٹول (
نام = 'کیلکولیٹر' ,
func = llm_math_chain رن ,
تفصیل = 'ریاضی کے مسائل کا جواب دینے/حل کرنے کے لیے مفید'
) ,
ٹول (
نام = 'فوبار ڈی بی' ,
func = db_chain. رن ,
تفصیل = 'ڈیٹا بیس سے سوالات کا جواب دینے کے لیے مفید ہے اور ان پٹ سوال کا مکمل سیاق و سباق ہونا چاہیے'
)
]

مرحلہ 10: MRKL ایجنٹ کی جانچ کریں۔

اس کے بعد، ایجنٹ کی تعمیر کریں اور ابتداء_agent() طریقہ استعمال کرتے ہوئے اسے mrkl متغیر میں شروع کریں۔ آؤٹ پٹ میں مکمل عمل حاصل کرنے کے لیے ٹولز، ایل ایل ایم، ایجنٹ، اور وربوز جیسے اجزاء کو مربوط کرنے کے لیے طریقہ کا پیرامیٹر شامل کریں:

mrkl = ابتدائیہ_ایجنٹ ( اوزار , ایل ایل ایم , ایجنٹ = ایجنٹ کی قسم۔ CHAT_ZERO_SHOT_REACT_DESCRIPTION , لفظی = سچ ہے۔ )

مندرجہ ذیل اسکرین شاٹ میں دکھائے گئے mrkl سسٹم کو چلا کر سوال پر عمل کریں:

mrkl. رن ( 'لیو ڈی کیپریو کی گرل فرینڈ کون ہے؟ ان کی موجودہ عمر کیا ہے' )

آؤٹ پٹ

مندرجہ ذیل ٹکڑا ایجنٹ کے ذریعہ اخذ کردہ حتمی جواب کو دکھاتا ہے:

مرحلہ 11: MRKL سسٹم کی نقل تیار کریں۔

ڈیٹا بیس سے معلومات نکالنے کے لیے قدرتی زبان میں سوال کے ساتھ run() طریقہ کو کال کرکے MRKL سسٹم کا استعمال کریں:

آؤٹ پٹ

ایجنٹ نے ڈیٹا بیس سے اخذ کردہ حتمی جواب کو دکھایا ہے جیسا کہ درج ذیل اسکرین شاٹ میں دکھایا گیا ہے:

یہ سب کچھ لینگ چین میں ایجنٹوں کا استعمال کرتے ہوئے MRKL سسٹم کو نقل کرنے کے عمل کے بارے میں ہے:

نتیجہ

LangChain میں ایجنٹوں کا استعمال کرتے ہوئے MRKL سسٹم کی نقل تیار کرنے کے لیے، لائبریریوں کو درآمد کرنے کے لیے انحصار حاصل کرنے کے لیے ماڈیولز انسٹال کریں۔ لائبریریوں کو ٹولز کا استعمال کرتے ہوئے متعدد ذرائع سے جوابات حاصل کرنے کے لیے زبان کا ماڈل یا چیٹ ماڈل بنانے کی ضرورت ہے۔ ایجنٹوں کو مختلف ذرائع جیسے انٹرنیٹ، ڈیٹا بیس وغیرہ سے آؤٹ پٹ نکالنے کے لیے ٹولز استعمال کرنے کے لیے ترتیب دیا گیا ہے۔ اس گائیڈ نے LangChain میں ایجنٹوں کا استعمال کرتے ہوئے MRKL سسٹم کو نقل کرنے کے عمل کی وضاحت کی ہے۔

LangChain میں ایجنٹوں کا استعمال کرتے ہوئے MRKL سسٹم کی نقل کیسے بنائیں؟