Hướng dẫn LangChain bằng Python

LangChain là một khung làm việc mạnh mẽ, cung cấp các công cụ và thư viện giúp phát triển ứng dụng dựa trên LLM trở nên dễ dàng và hiệu quả hơn. Qua hướng dẫn nhanh này, bạn sẽ tìm hiểu cách sử dụng LangChain để xây dựng các ứng dụng với các tính năng từ cơ bản đến nâng cao. Những tính năng chính bao gồm quản lý prompt, sử dụng chuỗi và tác nhân, cũng như cách tích hợp dữ liệu văn bản vào mô hình để đạt hiệu quả tối ưu.

Cách sử dụng LangChain để xây dựng các ứng dụng trong Python

• Cài đặt LangChain: Cách cài đặt nhanh LangChain để bắt đầu sử dụng.
• LLMs (Large Language Models): Sử dụng giao diện chung của LangChain cho nhiều mô hình ngôn ngữ khác nhau.
• Mẫu Prompt: Quản lý và tối ưu hóa prompt giúp mô hình ngôn ngữ hoạt động tốt hơn.
• Chuỗi (Chains): Kết hợp các LLM và Prompt để tạo ra các quy trình đa bước.
• Tác nhân và Công cụ (Agents and Tools): Kết hợp các công cụ và tác nhân để tăng cường khả năng tương tác của mô hình ngôn ngữ.
• Bộ nhớ (Memory): Duy trì trạng thái trong chuỗi và tác nhân.
• Trình tải tài liệu: Nạp dữ liệu từ các nguồn bên ngoài.
• Chỉ mục (Indexes): Tổ chức dữ liệu để tương tác tối ưu với các mô hình ngôn ngữ.

Cài đặt LangChain

pip install langchain

LLMs

LangChain hỗ trợ nhiều LLM khác nhau. Các mô hình có thể được sử dụng qua API hoặc chạy trực tiếp.

pip install openai
import os
os.environ["OPENAI_API_KEY"] = "YOUR_OPENAI_TOKEN"
from langchain.llms import OpenAI

llm = OpenAI(temperature=0.9)
text = "Hãy đề xuất tên cho một công ty sản xuất vớ nhiều màu sắc."
print(llm(text))

Mẫu Prompt

Việc tạo prompt giúp quản lý đầu vào từ người dùng một cách hiệu quả hơn.

from langchain import PromptTemplate

template = """Câu hỏi: {question}

Hãy suy nghĩ từng bước một.

Đáp án: """
prompt = PromptTemplate(template=template, input_variables=["question"])
prompt.format(question="Barack Obama có thể trò chuyện với George Washington không?")

Chuỗi (Chains)

Bạn có thể kết hợp LLM và Prompt trong một chuỗi để tạo quy trình xử lý đa bước.

Bài viết này được đăng tại [free tuts .net]

from langchain import LLMChain
llm_chain = LLMChain(prompt=prompt, llm=llm)
question = "Barack Obama có thể trò chuyện với George Washington không?"
print(llm_chain.run(question))

Tác nhân và Công Cụ (Agents and Tools)

Các tác nhân sử dụng LLM để đưa ra quyết định và tương tác với công cụ khác.

from langchain.agents import load_tools, initialize_agent
from langchain.llms import OpenAI

llm = OpenAI(temperature=0)
tools = load_tools(["wikipedia", "llm-math"], llm=llm)
agent = initialize_agent(tools, llm, agent="zero-shot-react-description", verbose=True)
agent.run("Bộ phim The Departed phát hành năm nào và nâng năm này lên lũy thừa 0.43?")

Bộ nhớ (Memory)

Giúp duy trì trạng thái giữa các lần gọi chuỗi hoặc tác nhân.

from langchain import ConversationChain

llm = OpenAI(temperature=0)
conversation = ConversationChain(llm=llm, verbose=True)
conversation.predict(input="Xin chào!")
conversation.predict(input="Chúng ta nói về AI nhé?")

Trình tải tài liệu (Document Loaders)

Kết hợp dữ liệu văn bản của riêng bạn để tạo khác biệt cho mô hình ngôn ngữ.

from langchain.document_loaders import TextLoader

loader = TextLoader('./state_of_the_union.txt')
documents = loader.load()

Chỉ mục (Indexes)

Tổ chức dữ liệu thành các chỉ mục để tương tác tối ưu với mô hình ngôn ngữ.

from langchain.embeddings import HuggingFaceEmbeddings
embeddings = HuggingFaceEmbeddings()
db = FAISS.from_documents(docs, embeddings)

Kết bài

Kết hợp các bước trên sẽ giúp bạn có nền tảng vững chắc để sử dụng LangChain trong các ứng dụng AI của mình. LangChain không chỉ hỗ trợ phát triển ứng dụng ngôn ngữ mạnh mẽ mà còn mở ra nhiều cơ hội sáng tạo cho bạn trong việc sử dụng mô hình ngôn ngữ lớn.