RAG용 LangChain 다중 쿼리 In [ ]: !python -m venv langchain !source langchain/bin/activate In [ ]: !pip install -qU \ pinecone-client==3.0.0 \ langchain==0.1.1 \ langchain-community==0.0.13 \ datasets==2.14.6 \ openai==1.6.1 \ tiktoken==0.5.2 데이터 가져오기 Hugging Face Datasets에서 기존 데이터세트를 다운로드하겠습니다. In [ ]: from datasets import load_dataset data = load_dataset("jamescalam/ai-arxiv-chunked", split="train"..

검색 에이전트 이전 장에서 검색 증대 및 대화 에이전트가 얼마나 강력한지 살펴보았습니다. 대화형 에이전트는 데이터 최신성, 특정 도메인에 대한 지식 또는 내부 문서에 액세스하는 데 어려움을 겪을 수 있습니다. 에이전트를 검색 확대 도구와 결합하면 더 이상 이러한 문제가 발생하지 않습니다. 에이전트를 사용하지 않는 검색 확대는 모든 쿼리로 컨텍스트를 검색한다는 의미입니다. 다시 말하지만, 모든 쿼리에 외부 지식에 대한 액세스가 필요한 것은 아니기 때문에 이것이 항상 이상적인 것은 아닙니다. 이 두가지 방법을 병합하면 두 가지 장점을 모두 얻을 수 있습니다. In [ ]: !python3 -m venv langchain !source langchain/bin/activate In [ ]: !pip3 inst..

건축 도구 LLM 에이전트는 ChatGPT 도입 이후 LLM이 폭발적으로 증가함에 따라 탄생한 가장 강력하고 매력적인 기술 중 하나입니다. 에이전트를 사용하면 LLM에게 도구에 대한 액세스 권한을 부여할 수 있습니다. 이러한 도구를 사용하면 웹 검색, 수학 계산, 코드 실행 등을 수행할 수 있으므로 본질적으로 무한한 가능성이 제공됩니다. LangChain에서 사용할 수 있는 사전 구축된 도구가 많이 있지만 실제 시나리오에서는 사용 사례의 요구 사항에 맞는 맞춤형 도구를 구축해야 합니다. 시작하려면 이 노트북에서 사용할 필수 구성 요소 라이브러리를 설치해야 합니다. In [ ]: !python3 -m venv langchain !source langchain/bin/activate !pip install ..

03-langchain-conversational-memory 오류를 수정한 글입니다. 대화 기억 대화 기억은 챗봇이 채팅과 같은 방식으로 우리의 질문에 응답할 수 있는 방법입니다. 이는 일관된 대화를 가능하게 하며, 이것이 없으면 모든 쿼리는 과거 상호 작용을 고려하지 않고 완전히 독립적인 입력으로 처리됩니다. 메모리를 사용하면 "에이전트"가 사용자와의 이전 상호 작용을 기억할 수 있습니다. 기본적으로 에이전트는 상태 비저장입니다. 즉, 들어오는 각 쿼리는 다른 상호 작용과 독립적으로 처리됩니다. 상태 비저장 에이전트에 존재하는 유일한 것은 현재 입력이며 다른 것은 아무것도 없습니다. In [ ]: !python3 -m venv langchain !source langchain/bin/activate ..

스트리밍 LLM의 경우 스트리밍이 점점 더 인기 있는 기능이 되었습니다. 전체 응답이 생성될 때까지 기다리는 대신 아이디어는 LLM이 토큰을 생성할 때 토큰을 신속하게 반환하는 것입니다. 스트리밍은 실제로 간단한 사용 사례에서는 구현하기가 매우 쉽지만 스트리밍 시도를 차단할 수 있는 자체 논리가 실행되는 에이전트와 같은 항목을 포함하기 시작하면 복잡해질 수 있습니다. 다행히도 우리는 그것을 작동시킬 수 있어며, 단지 약간의 추가 노력이 필요할 뿐입니다. LLM용 터미널에 스트리밍을 구현하는 것으로 쉽게 시작하지만, 노트북이 끝날 무렵에는 에이전트용 FastAPI를 통해 스트리밍하는 보다 복잡한 작업을 처리하게 됩니다. In [ ]: !pip install -qU \ openai==0.28.0 \ lang..

05-langchain-retrieval-augmentation.ipynb는 에러가 뜨는 원인을 몰라 일단 제외하였습니다. 에이전트 🤖 에이전트는 "도구"와 같습니다. 이를 통해 LLM은 Google 검색에 액세스하고, Python으로 복잡한 계산을 수행하고, 심지어 SQL 쿼리도 수행할 수 있습니다. 이 노트에서는 에이전트와 LangChain에서 에이전트를 사용하는 방법을 살펴봅니다. In [ ]: !python3 -m venv langchain !source langchain/bin/activate In [ ]: !pip install -qU langchain openai google-search-results wikipedia sqlalchemy 이 노트북을 실행하려면 OpenAI LLM을 사용해야..