LangChain হল ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং বা NLP ডোমেনে অ্যাপ্লিকেশন সহ মানুষের মতো ভাষায় মডেল তৈরি করার কাঠামো। এই মডেলগুলি মানুষের দ্বারা মডেল থেকে উত্তর পেতে বা অন্য যেকোনো মানুষের মতো কথোপকথন করতে ব্যবহার করা যেতে পারে। LangChain কথোপকথনে প্রতিটি বাক্য সংরক্ষণ করে এবং এটিকে প্রসঙ্গ হিসাবে ব্যবহার করে আরও ইন্টারঅ্যাক্ট করে চেইন তৈরি করতে ব্যবহৃত হয়।
এই পোস্টটি ল্যাংচেইনে এলএলএম এবং এলএলএমচেইন তৈরির প্রক্রিয়াটি ব্যাখ্যা করবে।
ল্যাংচেইনে এলএলএম এবং এলএলএমচেইন কীভাবে তৈরি করবেন?
LangChain-এ LLM এবং LLMCchain তৈরি করতে, শুধুমাত্র তালিকাভুক্ত ধাপগুলি অনুসরণ করুন:
ধাপ 1: মডিউল ইনস্টল করুন
প্রথমত, এলএলএম এবং এলএলএমচেইন তৈরির জন্য এর লাইব্রেরি ব্যবহার করতে ল্যাংচেইন মডিউলটি ইনস্টল করুন:
পিপ ল্যাংচেইন ইনস্টল করুন
আরেকটি মডিউল যা এলএলএম তৈরি করতে প্রয়োজন তা হল ওপেনএআই, এবং এটি পিপ কমান্ড ব্যবহার করে ইনস্টল করা যেতে পারে:
পিপ ইনস্টল ওপেনই 
ধাপ 2: একটি পরিবেশ সেট আপ করুন
এর পরিবেশ থেকে OpenAI API কী ব্যবহার করে একটি পরিবেশ সেট আপ করুন:
আমাদের আমদানি করুনimport getpassos.environ['OPENAI_API_KEY'] = getpass.getpass('OpenAI API কী:')
উদাহরণ 1: ল্যাংচেইন ব্যবহার করে এলএলএম তৈরি করুন
প্রথম উদাহরণ হল OpenAI এবং ChatOpenAI লাইব্রেরি আমদানি করে LangChain ব্যবহার করে বড় ভাষার মডেল তৈরি করা এবং llm() ফাংশন ব্যবহার করা:
ধাপ 1: এলএলএম চ্যাট মডেল ব্যবহার করা
LangChain থেকে OpenAI পরিবেশ ব্যবহার করে একটি সাধারণ LLM তৈরি করতে OpenAI এবং ChatOpenAI মডিউলগুলি আমদানি করুন:
langchain.chat_models থেকে ChatOpenAI আমদানি করুনlangchain.llms আমদানি OpenAI থেকে
llm = OpenAI()
chat_model = ChatOpenAI()
llm.predict('হাই!')
নীচের স্ক্রিনশটে প্রদর্শিত মডেলটি 'হাই' উত্তর দিয়ে উত্তর দিয়েছে:
chat_model থেকে predict() ফাংশনটি মডেল থেকে উত্তর বা উত্তর পেতে ব্যবহৃত হয়:
chat_model.predict('হাই!')আউটপুট প্রদর্শন করে যে মডেলটি ব্যবহারকারীর প্রশ্ন জিজ্ঞাসা করার নিষ্পত্তিতে রয়েছে:
ধাপ 2: টেক্সট কোয়েরি ব্যবহার করা
ব্যবহারকারী পাঠ্য ভেরিয়েবলে সম্পূর্ণ বাক্য প্রদান করে মডেল থেকে উত্তর পেতে পারেন:
text = 'রঙিন মোজা তৈরি করে এমন একটি কোম্পানির জন্য একটি ভাল কোম্পানির নাম কী হবে?'llm.predict(পাঠ্য)
মডেলটি রঙিন মোজার জন্য একাধিক রঙের সংমিশ্রণ প্রদর্শন করেছে:
মোজার রঙের সমন্বয় সহ ভবিষ্যদ্বাণী() ফাংশন ব্যবহার করে মডেল থেকে বিস্তারিত উত্তর পান:
chat_model.predict(টেক্সট) 
ধাপ 3: বিষয়বস্তু সহ পাঠ্য ব্যবহার করা
ব্যবহারকারী উত্তর সম্পর্কে সামান্য ব্যাখ্যা সহ উত্তর পেতে পারেন:
langchain.schema থেকে HumanMessage আমদানি করুনtext = 'রঙিন জামাকাপড় তৈরির একটি কোম্পানির জন্য একটি ভাল শিরোনাম কি হবে'
বার্তা = [HumanMessage(content=text)]
llm.predict_messages(বার্তা)
মডেলটি কোম্পানির জন্য শিরোনাম তৈরি করেছে যা হল 'ক্রিয়েটিভ ক্লোথিং কো':
কোম্পানীর শিরোনামের জন্য এর ব্যাখ্যা সহ উত্তর পেতে বার্তাটির ভবিষ্যদ্বাণী করুন:
chat_model.predict_messages(বার্তা) 
উদাহরণ 2: LangChain ব্যবহার করে LLMCchain তৈরি করুন
আমাদের গাইডের দ্বিতীয় উদাহরণটি পূর্ববর্তী উদাহরণ থেকে সমস্ত ধাপ একত্রিত করার জন্য মানব মিথস্ক্রিয়া বিন্যাসে মডেল পেতে LLMCchain তৈরি করে:
langchain.chat_models থেকে ChatOpenAI আমদানি করুনlangchain.prompts.chat থেকে ChatPromptTemplate আমদানি করুন
langchain.prompts.chat থেকে ChatPromptTemplate আমদানি করুন
langchain.prompts.chat থেকে আমদানি করুন langchain.prompts.chat থেকে SystemMessagePromptTemplate আমদানি HumanMessagePromptTemplate
langchain.chains থেকে LLMCchain আমদানি করুন
langchain.schema থেকে আমদানি BaseOutputParserclass CommaSeparatedListOutputParser(BaseOutputParser):
def পার্স (self, text: str):
text.strip().split(', ') ফেরত দিন
চ্যাট মডেলটির কাজের বিস্তারিত ব্যাখ্যা দিয়ে টেমপ্লেটটি তৈরি করুন এবং তারপরে এলএলএম, আউটপুট পার্সার এবং চ্যাট_প্রম্পট লাইব্রেরি সহ LLMChain() ফাংশন তৈরি করুন:
টেমপ্লেট = '''আপনাকে কমা-বিভক্ত তালিকা তৈরি করতে সাহায্য করতে হবেব্যবহারকারীর কাছ থেকে বিভাগটি পান, এবং পাঁচটি বস্তুর সাথে একটি কমা-বিচ্ছিন্ন তালিকা তৈরি করুন
''' বিভাগ থেকে একমাত্র জিনিসটি হওয়া উচিত
system_message_prompt = SystemMessagePromptTemplate.from_template(টেমপ্লেট)
human_template = '{text}'
human_message_prompt = HumanMessagePromptTemplate.from_template(human_template)
# কোয়েরির কাঠামোর সাথে LLMCchain কনফিগার করুন
chat_prompt = ChatPromptTemplate.from_messages([system_message_prompt, human_message_prompt])
চেইন = এলএলএমচেইন (
llm=ChatOpenAI(),
প্রম্পট=চ্যাট_প্রম্পট,
output_parser=CommaSeparatedListOutputParser()
)
chain.run('রঙ')
মডেলটি রঙের তালিকার সাথে উত্তর প্রদান করেছে কারণ বিভাগে প্রম্পটে দেওয়া শুধুমাত্র 5টি বস্তু থাকা উচিত:
এটি ল্যাংচেইনে এলএলএম এবং এলএলএমচেইন তৈরির বিষয়ে।
উপসংহার
LangChain ব্যবহার করে LLM এবং LLMCchain তৈরি করতে, এর API কী ব্যবহার করে একটি পরিবেশ সেট আপ করতে LangChain এবং OpenAI মডিউলগুলি ইনস্টল করুন। এর পরে, একটি সম্পূর্ণ চ্যাটে একক প্রশ্নের জন্য প্রম্পট টেমপ্লেট তৈরি করার পরে chat_model ব্যবহার করে LLM মডেলটি তৈরি করুন৷ LLMCchain কথোপকথনের সমস্ত পর্যবেক্ষণের চেইন তৈরি করতে এবং মিথস্ক্রিয়াটির প্রেক্ষাপট হিসাবে ব্যবহার করতে ব্যবহৃত হয়। এই পোস্টটি ল্যাংচেইন ফ্রেমওয়ার্ক ব্যবহার করে এলএলএম এবং এলএলএমচেইন তৈরির প্রক্রিয়ার চিত্র তুলে ধরেছে।