modelName: "gpt-3.5-turbo"およびtemperature: 0を使用してモデル変數(shù)を作成した後、作成されたモデルと指定されたツール（SERPAPIおよび電卓）を組み合わせたエグゼキューターを作成します。入力では、LLMにインターネットを検索するように依頼し（Serpapiを使用）、2010年以來どのアーティスト（NASまたはBoldy James）がリリースされているかを調(diào)べ、違いを示す（計算機を使用）。

import { initializeAgentExecutorWithOptions } from "langchain/agents";
import { ChatOpenAI } from "langchain/chat_models/openai";
import { SerpAPI } from "langchain/tools";
import { Calculator } from "langchain/tools/calculator";

process.env["OPENAI_API_KEY"] = "YOUR_OPENAI_KEY"
process.env["SERPAPI_API_KEY"] = "YOUR_SERPAPI_KEY"

const tools = [new Calculator(), new SerpAPI()];
const model = new ChatOpenAI({ modelName: "gpt-3.5-turbo", temperature: 0 });

const executor = await initializeAgentExecutorWithOptions(tools, model, {
  agentType: "openai-functions",
  verbose: false,
});

const result = await executor.run("通過搜索互聯(lián)網(wǎng)，查找Boldy James自2010年以來發(fā)行了多少張專輯，以及Nas自2010年以來發(fā)行了多少張專輯？找出誰發(fā)行了更多專輯，并顯示百分比差異。");
console.log(result);

Langchainには、LLM、チャットモデル、およびテキスト埋め込みモデルの3種類のモデルがあります。いくつかの例を使用して、各タイプのモデルを探索しましょう。

言語モデル：

Langchainは、JavaScriptで言語モデルを使用して、テキスト入力に基づいてテキスト出力を生成する方法を提供します。チャットモデルほど複雑ではなく、単純な入出力言語タスクに最適です。 Openaiを使用した例は次のとおりです

モデルを使用してすべての赤いベリーをリストします。この例では、LLMの事実上の精度を與えるために溫度を0に設定します。

<code>// 輸出將取決于互聯(lián)網(wǎng)搜索結(jié)果</code>

gpt-3.5-turbo

チャットモデル：

import { OpenAI } from "langchain/llms/openai";

const llm = new OpenAI({
  openAIApiKey: "YOUR_OPENAI_KEY",
  model: "gpt-3.5-turbo",
  temperature: 0
});

const res = await llm.call("列出所有紅色的漿果");

console.log(res);

より複雑な回答と會話が必要な場合は、チャットモデルを使用する必要があります。技術的には、チャットモデルは言語モデルとどのように違いますか？ Langchainドキュメントの言葉で：

これは単純な（非常に役に立たないが興味深い）JavaScriptチャットモデルスクリプト：

<code>// 輸出將列出紅色的漿果</code>

import { ChatOpenAI } from "langchain/chat_models/openai";
import { PromptTemplate } from "langchain/prompts";

const chat = new ChatOpenAI({
  openAIApiKey: "YOUR_OPENAI_KEY",
  model: "gpt-3.5-turbo",
  temperature: 0
});
const prompt = PromptTemplate.fromTemplate(`你是一個詩意的助手，總是用押韻來回答：{question}`);
const runnable = prompt.pipe(chat);
const response = await runnable.invoke({ question: "誰更好，德約科維奇、費德勒還是納達爾？" });
console.log(response);

これにより、浮動小數(shù)點數(shù)の長いリストが返されます：

<code>// 輸出將是一個用押韻回答的問題</code>

import { OpenAIEmbeddings } from "langchain/embeddings/openai";

process.env["OPENAI_API_KEY"] = "YOUR_OPENAI_KEY"

const embeddings = new OpenAIEmbeddings();
const res = await embeddings.embedQuery("誰創(chuàng)造了萬維網(wǎng)？");
console.log(res)

これは、埋め込みを使用して「最も重い動物とは何ですか？」

npm install -S langchain

チャンク：

文字によるセグメント

セグメント：

import { initializeAgentExecutorWithOptions } from "langchain/agents";
import { ChatOpenAI } from "langchain/chat_models/openai";
import { SerpAPI } from "langchain/tools";
import { Calculator } from "langchain/tools/calculator";

process.env["OPENAI_API_KEY"] = "YOUR_OPENAI_KEY"
process.env["SERPAPI_API_KEY"] = "YOUR_SERPAPI_KEY"

const tools = [new Calculator(), new SerpAPI()];
const model = new ChatOpenAI({ modelName: "gpt-3.5-turbo", temperature: 0 });

const executor = await initializeAgentExecutorWithOptions(tools, model, {
  agentType: "openai-functions",
  verbose: false,
});

const result = await executor.run("通過搜索互聯(lián)網(wǎng)，查找Boldy James自2010年以來發(fā)行了多少張專輯，以及Nas自2010年以來發(fā)行了多少張專輯？找出誰發(fā)行了更多專輯，并顯示百分比差異。");
console.log(result);

n

特定の長さの文字でテキストを厳密に分割したい場合は、

を使用できます。 RecursiveCharacterTextSplitter この例では、テキストは100文字ごとに分割され、チャンクは15文字に重なります。

<code>// 輸出將取決于互聯(lián)網(wǎng)搜索結(jié)果</code>

ブロックサイズとオーバーラップ：

これらの例を見ると、パラメーターが何を意味するのか、パフォーマンスにどのように影響するかを疑問に思い始めたかもしれません。わかりました、2つのことを簡単に説明させてください。

チャンクサイズは、各チャンクの文字の數(shù)を決定します。チャンクサイズが大きいほど、チャンクのデータが多いほど、Langchainを処理して出力を生成するのに時間がかかります。逆も同様です。

ブロックオーバーラップは、ブロック間で情報を共有して、コンテキストを共有するコンテンツです。チャンクのオーバーラップが高いほど、チャンクが低くなるほど、チャンク間で共有されるコンテキストが少なくなります。通常、良いチャンキングのオーバーラップは、チャンキングサイズの約10％?20％ですが、目的のチャンキングオーバーラップはテキストタイプとユースケースによって異なります。
チェーン：

章は、基本的に複數(shù)のLLM関數(shù)をリンクしてより複雑なタスクを?qū)g行します。そうしないと、単純なLLM入力＆GTを使用することはできません。クールな例を見てみましょう：

import { OpenAI } from "langchain/llms/openai";

const llm = new OpenAI({
  openAIApiKey: "YOUR_OPENAI_KEY",
  model: "gpt-3.5-turbo",
  temperature: 0
});

const res = await llm.call("列出所有紅色的漿果");

console.log(res);

Langchainのさまざまな機能の例としてOpenaiモデルを使用していたとしても、Openaiモデルに限定されません。他の多くのLLMおよびAIサービスでLangchainを使用できます。 LangchainとJavaScript統(tǒng)合LLMの完全なリストをドキュメントに見つけることができます。 たとえば、

<code>// 輸出將列出紅色的漿果</code>

import { ChatOpenAI } from "langchain/chat_models/openai";
import { PromptTemplate } from "langchain/prompts";

const chat = new ChatOpenAI({
  openAIApiKey: "YOUR_OPENAI_KEY",
  model: "gpt-3.5-turbo",
  temperature: 0
});
const prompt = PromptTemplate.fromTemplate(`你是一個詩意的助手，總是用押韻來回答：{question}`);
const runnable = prompt.pipe(chat);
const response = await runnable.invoke({ question: "誰更好，德約科維奇、費德勒還是納達爾？" });
console.log(response);