شروع سریع برای LangChain

1. شروع سریع

در زیر یک نمونه ساده از langchain آمده که نشان می‌دهد چگونه از چارچوب langchain برای فراخوانی مدل‌ها برای انجام وظایف استفاده می‌شود.

2. مثال Langchain

2.1. نصب LangChain

برای نصب LangChain می‌توانید از Pip و Conda استفاده کنید. مراحل نصب LangChain به صورت زیر است:

استفاده از Pip:

pip install langchain

استفاده از Conda:

conda install langchain -c conda-forge

2.2. مقدماتی کردن مدل

قبل از استفاده از LangChain، شما باید بسته ادغام LangChain x OpenAI را وارد کنید و کلید API را به عنوان یک متغیر محیطی تنظیم کنید یا آن را مستقیما به کلاس OpenAI LLM منتقل کنید.

ابتدا کلید API OpenAI را بگیرید، که می‌توانید آن را از طریق ایجاد یک حساب کاربری و دسترسی به این لینک بدست آورید. سپس می‌توانید کلید API را به عنوان یک متغیر محیطی با روش زیر تنظیم کنید:

export OPENAI_API_KEY="YOUR_API_KEY"

سپس، مدل را مقدماتی کنید:

from langchain_openai import ChatOpenAI

llm = ChatOpenAI()

اگر نمی‌خواهید متغیر محیطی را تنظیم کنید، می‌توانید کلید API را مستقیما هنگام مقدماتی کردن کلاس OpenAI LLM منتقل کنید:

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(openai_api_key="YOUR_API_KEY")

2.3. استفاده از LLM

استفاده از LLM برای پاسخ به سوالات بسیار ساده است. می‌توانید به طور مستقیم روش invoke LLM را فراخوانی کنید و سوال را به عنوان یک پارامتر منتقل کنید. علاوه بر این، می‌توانید الگوهای مشتق‌شده را تولید کرده و فرمان‌ها را به مدل (LLM) منتقل کنید.

در زیر نحوه ساخت یک زنجیره ساده LLM نشان داده شده است:

from langchain_core.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_messages([
    ("system", "شما نویسنده مستندات فنی کلاس جهانی هستید."),
    ("user", "{input}")
])

chain = prompt | llm

chain.invoke({"input": "چگونه langsmith می‌تواند در تست کمک کند؟"})

2.4. تبدیل خروجی

خروجی LLM معمولاً یک پیام است. برای راحتی در برخورد با نتیجه، می‌توانید پیام را به یک رشته تبدیل کنید. در زیر نحوه تبدیل پیام خروجی LLM به یک رشته نشان داده شده است:

from langchain_core.output_parsers import StrOutputParser

output_parser = StrOutputParser()

chain = prompt | llm | output_parser

chain.invoke({"input": "چگونه langsmith می‌تواند در تست کمک کند؟"})

مطلب فوق، معرفی به زنجیره LLM است و امیدواریم که به شما کمک کند تا بهتر درک کنید چگونه LangChain را نصب کنید و انواع مختلفی از زنجیره‌ها بسازید.