De Large Language Models of LLM's worden gebruikt om een interactief model te creëren dat in natuurlijke talen met mensen kan communiceren. De gebruiker moet de sjabloon voor de aanwijzingen configureren, zodat het model de tekst kan begrijpen en vervolgens het antwoord efficiënt kan genereren. Om de tekst in natuurlijke taal te genereren, moet het model worden getraind op de dataset in de natuurlijke taal.
Dit bericht illustreert het proces van het bouwen van sjabloonformaten in LangChain.
Hoe sjabloonformaten bouwen in LangChain?
Python is de meest effectieve programmeertaal die gebruik maakt van “ jinja2 ' En ' fsnaar ”-sjabloonformaten omdat de fstring standaard wordt gebruikt. Volg eenvoudigweg deze handleiding om te leren hoe u een sjabloonformaat in LangChain kunt bouwen:
Vereiste: Installeer LangChain
Installeer eerst het LangChain-framework dat de PromptTemplate-bibliotheken bevat die kunnen worden gebruikt om sjabloonformaten te bouwen. Het LangChain-framework installeert alle vereiste afhankelijkheden om de structuur van de query voor de LLM's of chatbots op te bouwen:
pip installeer langchain
Methode 1: Jinja2-sjabloon gebruiken
Importeer daarna de PromptTemplate-bibliotheek om de jinja2-sjabloon te gebruiken die de query bevat met variabelen die zijn gedefinieerd in de prompt.format() -methode. Het jinja2-formaat wordt gespecificeerd als de parameter van de methode PromptTemplate() en toegewezen aan de promptvariabele:
van langchain.prompts importeer PromptTemplate
jinja2_template = 'Vertel me een {{ style }} gedicht over {{ thema }}'
prompt = PromptTemplate.from_template(jinja2_template, template_format = 'jinja2')
prompt.format(stijl = 'motiverend', thema = 'aarde')
De uitvoer geeft aan dat het model de waarden van de variabele in de query correct heeft gebruikt nadat het deze heeft begrepen:
Methode 2: Fstring-sjabloon gebruiken
De tweede methode maakt gebruik van het fstring-sjabloonformaat dat standaard wordt gebruikt als de PromptTemplate door de programmeertaal Python. Bijvoorbeeld de “ fstring_sjabloon ”variabele bevat de query en roept vervolgens de methode PromptTemplate() aan met de variabele erin om het sjabloonformaat te bouwen:
van langchain.prompts importeer PromptTemplatefstring_template = '''Vertel me een {stijl} gedicht over {thema}'''
prompt = PromptTemplate.from_template(fstring_template)
prompt.format(style=”motiverend”, thema=”aarde”)
Dat gaat allemaal over het proces van het bouwen van sjabloonformaten in LangChain.
Conclusie
Om het sjabloonformaat in LangChain te bouwen, start u eenvoudigweg het proces door het LangChain-framework te installeren. Het bevat alle afhankelijkheden voor het gebruik van de functie PromptTemplate(). Het maakt gebruik van de fsnaar sjabloonformaat standaard voor de programmeertalen Python. De gebruiker kan ook gebruik maken van de jinja2 sjabloon met behulp van de sjabloon_formaat parameter. In deze handleiding worden beide PromptTemplate-formaten uitgelegd om de sjabloon in LangChain te bouwen.