Ez az útmutató bemutatja a Select by Maximal Marginal Relevance példaválasztó használatának folyamatát a LangChainben.
Hogyan használjuk a Maximális határrelevancia (MMR) szerinti kijelölést a LangChainben?
A Maximális határrelevancia példaválasztó az információk kinyerésére szolgál a prompt és a példa koszinusz hasonlósága alapján. A koszinusz hasonlóságot az adatok beágyazási módszereinek alkalmazása és a szöveg numerikus formába konvertálása után számítjuk ki.
Az MMR példaválasztó használatának folyamatának megismeréséhez a LangChainben egyszerűen hajtsa végre a felsorolt lépéseket:
1. lépés: Modulok telepítése
Indítsa el a folyamatot a LangChain függőségeinek telepítésével a pip paranccsal:
pip install langchain
Telepítse az OpenAI modult, hogy a környezetét az OpenAIEMbedding() metódus alkalmazására használja:
pip install openai
Telepítse a FAISS keretrendszert, amellyel a kimenet szemantikai hasonlóságot kaphat:
pip telepítse a faiss-gpu-t 
Most telepítse a tiktoken tokenizert, hogy a szöveget kisebb darabokra bontsa a következő kód segítségével:
pip install tiktoken 
2. lépés: Könyvtárak és példák használata
A következő lépés az MMR-példaválasztó, a FAISS, az OpenAIEMbeddings és a PromptTemplate létrehozásához szükséges könyvtárak importálása. A könyvtárak importálása után egyszerűen hozzon létre egy példakészletet, amely bemeneteket és kimeneteket ad a megfelelő bemenetekhez több tömbben:
tól től langchain. felszólítja . example_selector import (MaxMarginalRelevanceExampleSelector ,
SemanticSimilarityExampleSelector ,
)
tól től langchain. vektortárak import FAISS
tól től langchain. beágyazások import OpenAIEembeddings
tól től langchain. felszólítja import FewShotPromptTemplate , PromptTemplate
example_prompt = PromptTemplate (
bemeneti_változók = [ 'bemenet' , 'Kimenet' ] ,
sablon = 'Bemenet: {input} \n Kimenet: {output}' ,
)
példák = [
{ 'bemenet' : 'boldog' , 'Kimenet' : 'szomorú' } ,
{ 'bemenet' : 'magas' , 'Kimenet' : 'rövid' } ,
{ 'bemenet' : 'energikus' , 'Kimenet' : 'letargikus' } ,
{ 'bemenet' : 'napos' , 'Kimenet' : 'komor' } ,
{ 'bemenet' : 'szeles' , 'Kimenet' : 'nyugodt' } ,
]
3. lépés: Példaválasztó felépítése
Most kezdje el felépíteni az MMR példaválasztót a MaxMarginalRelevanceExampleSelector() metódussal, amely különböző paramétereket tartalmaz:
example_selector = MaxMarginalRelevanceExampleSelector. from_examples (példák ,
OpenAIEembeddings ( ) ,
FAISS ,
k = 2 ,
)
mmr_prompt = FewShotPromptTemplate (
example_selector = example_selector ,
example_prompt = example_prompt ,
előtag = 'Adja meg minden bemenet antonimáját' ,
utótag = 'Bevitel: {melléknév} \n Kimenet:' ,
bemeneti_változók = [ 'melléknév' ] ,
)
4. lépés: Az MMR példaválasztó tesztelése
Tesztelje a Maximal Marginal Relevance MMR példaválasztót úgy, hogy meghívja a print() metódusban a következő bemenettel:
nyomtatás ( mmr_prompt. formátum ( melléknév = 'aggódó' ) ) 
5. lépés: A SemanticSimilarity használata
Ez a lépés a SemanticSimilarityExampleSelector() metódust, majd a LangChain által támogatott FewShotPromptTemplate() metódust használja:
example_selector = SemanticSimilarityExampleSelector. from_examples (példák ,
OpenAIEembeddings ( ) ,
FAISS ,
k = 2 ,
)
Hasonló_prompt = FewShotPromptTemplate (
example_selector = example_selector ,
example_prompt = example_prompt ,
előtag = 'Adja meg minden bemenet antonimáját' ,
utótag = 'Bevitel: {melléknév} \n Kimenet:' ,
bemeneti_változók = [ 'melléknév' ] ,
)
nyomtatás ( Hasonló_prompt. formátum ( melléknév = 'aggódó' ) )
Ez minden a Maximal Marginal Relevance vagy az MMR használatáról szól a LangChainben.
Következtetés
A Maximal Marginal Relevance vagy az MMR példaválasztó használatához a LangChainben telepítse a szükséges modulokat. Ezután importálja a könyvtárakat a példakészlet felépítéséhez a bemeneti és kimeneti prompt sablon használatával. Építse fel az MMR-példaválasztót, hogy tesztelje azt az MMR-példaválasztó és a FewShotPromptTemplate() metódus használatával a releváns kimenet eléréséhez. Ez az útmutató a Select-by-MMR példaválasztó használatának folyamatát mutatja be a LangChainben.