یہ گائیڈ LangChain میں Maximal Marginal Relevance مثال کے سلیکٹر کے ذریعے سلیکٹ کو استعمال کرنے کے عمل کی وضاحت کرے گا۔
لینگ چین میں سلیکٹ بذریعہ میکسیمل مارجنل ریلیوینس (ایم ایم آر) کا استعمال کیسے کریں؟
Maximal Marginal Relevance مثال کے سلیکٹر کا استعمال پرامپٹ اور مثال کی کوزائن مماثلت کا استعمال کرتے ہوئے معلومات نکالنے کے لیے کیا جاتا ہے۔ کوزائن مماثلت کا حساب ڈیٹا میں سرایت کرنے کے طریقوں کو لاگو کرنے اور متن کو عددی شکل میں تبدیل کرنے کے بعد لگایا جاتا ہے۔
LangChain میں MMR مثال کے انتخاب کنندہ کے استعمال کے عمل کو جاننے کے لیے، بس درج کردہ مراحل سے گزریں:
مرحلہ 1: ماڈیولز انسٹال کریں۔
pip کمانڈ کا استعمال کرتے ہوئے LangChain کے انحصار کو انسٹال کرکے عمل شروع کریں:
pip انسٹال langchain
OpenAIEmbedding() طریقہ کو لاگو کرنے کے لیے اس کے ماحول کو استعمال کرنے کے لیے OpenAI ماڈیول انسٹال کریں:
پائپ انسٹال اوپنائی
FAISS فریم ورک انسٹال کریں جس کا استعمال سیمنٹک مماثلت کا استعمال کرتے ہوئے آؤٹ پٹ حاصل کرنے کے لیے کیا جا سکتا ہے:
pip install faiss-gpu 
اب، درج ذیل کوڈ کا استعمال کرتے ہوئے متن کو چھوٹے حصوں میں تقسیم کرنے کے لیے ٹک ٹوکن ٹوکنائزر انسٹال کریں۔
pip install tiktoken 
مرحلہ 2: لائبریریوں اور مثالوں کا استعمال
اگلا مرحلہ MMR مثال سلیکٹر، FAISS، OpenAIEmbeddings، اور PromptTemplate بنانے کے لیے لائبریریوں کو درآمد کرنا ہے۔ لائبریریوں کو درآمد کرنے کے بعد، صرف ایک مثال سیٹ بنائیں جو متعدد صفوں میں ان کے متعلقہ ان پٹس کے لیے ان پٹ اور آؤٹ پٹ دیتا ہے:
سے langchain اشارہ کرتا ہے . مثال_سلیکٹر درآمد (MaxMarginal RelevanceExampleSelector ,
Semantic SimilarityExampleSelector ,
)
سے langchain ویکٹر اسٹورز درآمد FAISS
سے langchain سرایت درآمد اوپن اے آئی ایم بیڈنگز
سے langchain اشارہ کرتا ہے درآمد FewShotPromptTemplate , PromptTemplate
مثال_پرامپٹ = PromptTemplate (
input_variables = [ 'ان پٹ' , 'آؤٹ پٹ' ] ,
سانچے = 'ان پٹ: {input} \n آؤٹ پٹ: {output}' ,
)
مثالیں = [
{ 'ان پٹ' : 'خوش' , 'آؤٹ پٹ' : 'اداس' } ,
{ 'ان پٹ' : 'لمبا' , 'آؤٹ پٹ' : 'مختصر' } ,
{ 'ان پٹ' : 'طاقتور' , 'آؤٹ پٹ' : 'سستی' } ,
{ 'ان پٹ' : 'دھوپ' , 'آؤٹ پٹ' : 'اداس' } ,
{ 'ان پٹ' : 'ہوا' , 'آؤٹ پٹ' : 'سکون' } ,
]
مرحلہ 3: مثال کا انتخاب کنندہ بنانا
اب، مختلف پیرامیٹرز پر مشتمل MaxMarginalRelevanceExampleSelector() طریقہ استعمال کرتے ہوئے MMR مثال سلیکٹر بنانا شروع کریں:
مثال_سلیکٹر = MaxMarginal RelevanceExampleSelector۔ سے_مثالیں (مثالیں ,
اوپن اے آئی ایم بیڈنگز ( ) ,
FAISS ,
ک = 2 ,
)
mmr_prompt = FewShotPromptTemplate (
مثال_سلیکٹر = مثال_سلیکٹر ,
مثال_پرامپٹ = مثال_پرامپٹ ,
سابقہ = 'ہر ان پٹ کا متضاد دیں' ,
لاحقہ = 'ان پٹ: {صفت} \n آؤٹ پٹ:' ,
input_variables = [ 'صفت' ] ,
)
مرحلہ 4: MMR مثال سلیکٹر کی جانچ کرنا
ان پٹ کے ساتھ پرنٹ() طریقہ میں کال کرکے زیادہ سے زیادہ مارجنل ریلیوینس MMR مثال کے سلیکٹر کی جانچ کریں:
پرنٹ کریں ( mmr_prompt. فارمیٹ ( صفت = 'پریشان' ) ) 
مرحلہ 5: سیمنٹک مماثلت کا استعمال
یہ مرحلہ SemanticSimilarityExampleSelector() طریقہ استعمال کرتا ہے اور پھر FewShotPromptTemplate() طریقہ استعمال کرتا ہے جو LangChain کے ذریعہ تعاون یافتہ ہے:
مثال_سلیکٹر = Semantic SimilarityExampleSelector۔ سے_مثالیں (مثالیں ,
اوپن اے آئی ایم بیڈنگز ( ) ,
FAISS ,
ک = 2 ,
)
ملتے جلتے_پرامپٹ = FewShotPromptTemplate (
مثال_سلیکٹر = مثال_سلیکٹر ,
مثال_پرامپٹ = مثال_پرامپٹ ,
سابقہ = 'ہر ان پٹ کا متضاد دیں' ,
لاحقہ = 'ان پٹ: {صفت} \n آؤٹ پٹ:' ,
input_variables = [ 'صفت' ] ,
)
پرنٹ کریں ( ملتے جلتے_پرامپٹ فارمیٹ ( صفت = 'پریشان' ) )
یہ سب لینگ چین میں میکسمل مارجنل ریلیوینس یا MMR کے ذریعے سلیکٹ کو استعمال کرنے کے بارے میں ہے۔
نتیجہ
LangChain میں Maximal Marginal Relevance یا MMR مثال کے سلیکٹر کے ذریعے سلیکٹ کو استعمال کرنے کے لیے، مطلوبہ ماڈیولز انسٹال کریں۔ اس کے بعد، ان پٹ اور آؤٹ پٹ پرامپٹ ٹیمپلیٹ کا استعمال کرتے ہوئے مثال سیٹ بنانے کے لیے لائبریریوں کو درآمد کریں۔ متعلقہ آؤٹ پٹ حاصل کرنے کے لیے MMR مثال سلیکٹر اور FewShotPromptTemplate() طریقہ استعمال کرکے اسے جانچنے کے لیے MMR مثال سلیکٹر بنائیں۔ اس گائیڈ نے LangChain میں سلیکٹ بائی ایم ایم آر مثال سلیکٹر استعمال کرنے کے عمل کو واضح کیا ہے۔