「LangChainを使用したLLMアプリケーションのためのプロンプトエンジニアリングのマスタリング」

Mastering Prompt Engineering for LLM Applications Using LangChain

イントロダクション

デジタル時代において、言語ベースのアプリケーションは、チャットボットや仮想アシスタントなどのさまざまなツールの動力として私たちの生活で重要な役割を果たしています。LangChainは、最先端のLLMパワードアプリケーションの作成を革新したオープンソースのPythonフレームワークであり、LLMアプリケーションのプロンプトエンジニアリングをマスターするための学習ツールです。このガイドは、LangChainを使用して動的でコンテキストに対応した言語アプリケーションを作成するための知識とツールを読者に提供することを目的としています。プロンプトの管理、追加のLLMおよび外部データの活用、高度な言語アプリケーションのためのチェイニングのマスタリングなどについて探求します。開発者でもAI愛好家でも、このガイドはLangChainを使って言語の力を解き放ち、LLMアプリケーションのアイデアを現実にするのに役立ちます。

学習目標

• LangChainおよびそのアプリケーションの基本を理解する。
• LLMパワードアプリケーションを向上させるための効果的なプロンプトエンジニアリング技術を学ぶ。
• インテリジェントでコンテキストに対応した言語アプリケーションを作成するためのチェイニングの技術を修得する。
• ガイド全体で得た知識を応用して、LangChainを使用して実世界の言語アプリケーションを作成する。
• プロンプトエンジニアリングおよびLLMアプリケーションの最新の進歩と開発について常に最新情報を得る。

この記事は、データサイエンスブログマラソンの一環として公開されました。

大規模言語モデル（LLM）とは何ですか？

大規模言語モデルは、膨大な量のデータで訓練された深層学習アーキテクチャに基づく堅牢なAIシステムです。これらのモデルは、複雑な言語パターン、ニュアンス、および文脈を理解することができ、言語翻訳、テキスト生成、要約などの分野で優れた性能を発揮します。代表的なLLMの例としては、OpenAIのGPT（Generative Pre-trained Transformer）モデルがあります。

LangChainとは何ですか？

LangChainは包括的なオープンソースプラットフォームであり、大規模言語モデル（LLM）によるアプリケーションの構築を簡素化するためのツール、コンポーネント、およびインターフェースを提供しています。このプラットフォームの主な目標は、開発者がゼロから始めることなく言語処理能力をアプリケーションにシームレスに統合できるようにすることです。LangChainは、LLMとの対話を管理し、さまざまなコンポーネントをシームレスにリンクし、APIやデータベースなどのリソースを組み込むためのユーザーフレンドリーで効率的なアプローチを提供します。

• メディアでのアルコール摂取の検出：CLIPのゼロショット学習とABIDLA2ディープラーニングの画像解析のパワーを評価する
• このAI論文では、「ステーブルシグネチャ：画像透かしと潜在的な拡散モデルを組み合わせたアクティブ戦略」が紹介されています
• OpenAIのLLMの支配を覆すことを目指す挑戦者：XLSTM

LangChainの応用

LangChainは、大規模言語モデル（LLM）によってパワードされるアプリケーションの開発を容易にするために設計されたオープンソースのフレームワークであり、自然言語処理（NLP）など、さまざまな領域で多くの応用可能性を提供します。以下に、LangChainの重要な応用例をいくつか示します。

1. チャットボットと仮想アシスタント：LangChainを使用することで、開発者はユーザーとの自然言語対話を行うインテリジェントなチャットボットや仮想アシスタントを作成することができます。これらのチャットボットは、さまざまなタスクをサポートし、質問に回答したり、カスタマーサポートを提供したり、個別の推奨事項を提供したりすることができます。
2. 言語翻訳ユーティリティ：LangChainを使用することで、開発者は異なる言語間での円滑なコミュニケーションを可能にする言語翻訳ツールを構築することができます。ユーザーは一つの言語でテキストを入力し、アプリケーションは希望する目標言語で正確な翻訳を生成することができます。
3. 感情分析ツール：LangChainを使用して、テキストで表現される感情や意見を評価する感情分析アプリケーションを開発することができます。企業はこのようなツールを利用して顧客のフィードバックを理解し、ソーシャルメディアの感情を分析し、ブランドの評判を監視することができます。
4. テキスト要約：開発者はLangChainを活用して、長いテキストの簡潔な要約を自動的に生成するテキスト要約アプリケーションを作成することができます。これらの要約ツールは、大量のテキストから重要な情報を素早く抽出するために役立ちます。
5. コンテンツ生成：LangChainを使用することで、指定されたプロンプトに基づいて創造的で一貫性のあるテキストを生成するコンテンツ生成アプリケーションを開発することができます。これはコンテンツマーケティング、クリエイティブライティング、パーソナライズドメッセージの生成などに役立ちます。

LangChainとOpenAIのPythonでのセットアップ

pipを使用してインストール

pip install langchain
pip install openai

condaを使用してインストール

conda install langchain -c conda-forge
conda install -c conda-forge openai

これにより、LangChainの必要な設定が行われます。ただし、LangChainの真のパワーと柔軟性は、さまざまなモデルプロバイダー、データストア、およびその他の重要なコンポーネントとシームレスに統合された場合に発揮されます。

LangChainで言語モデルアプリケーションを構築する方法

LangChainは、OpenAI、Cohere、Hugging Faceなどのさまざまな言語モデルプロバイダーとのインターフェースを提供するLLMクラスを提供しています。LLMの最も基本的な機能は、テキストの生成です。

import os
os.environ["OPENAI_API_KEY"] = ""

• OpenAI APIキーは、OpenAI APIへのリクエストを識別する一意のコードです。これは、リクエストの認証とAPIへのアクセスの制御に使用されます。
• OpenAI APIを使用するには、アカウントを作成し、APIキーを生成する必要があります。APIキーを取得したら、APIに対してリクエストを開始することができます。

LangChainでLLMのプロンプトテンプレートを管理する方法

OpenAIモジュールは、OpenAI APIにアクセスするために使用できるクラスを提供します。LLMChainモジュールは、複数の言語モデルを連結するためのクラスを提供します。

コードは、OpenAIクラスのインスタンスを作成し、temperatureパラメータを0.7に設定します。temperatureパラメータは、OpenAI APIによって生成されるテキストの創造性を制御します。より高いtemperatureはより創造的なテキストを生成し、より低いtemperatureはより予測可能なテキストを生成します。

from langchain.llms import OpenAI
from langchain.chains import LLMChain

llm = OpenAI(temperature=0.7)

LangChainのPromptTemplateを使用すると、テンプレートを使用してプロンプトを生成することができます。これは、同じプロンプトのアウトラインを複数の場所で使用する際に便利ですが、一部の値を変更することができます。

from langchain import PromptTemplate

プロンプトテンプレート1：役割として振る舞う

私たちは、ユーザーが指定した所得税やその他の金融概念の基礎を説明することができる財務アドバイザーとして機能するLLMChainを設定しました。実行すると、チェーンは金融概念を簡単に説明します。

template1 = '''私は人々のための財務アドバイザーとして振る舞ってほしいです。
簡単に、{financial_concept}の基礎を説明してください。'''

prompt1 = PromptTemplate(
    input_variables = ['financial_concept'],
    template = template1
)

prompt1.format(financial_concept='所得税')

chain1 = LLMChain(llm=llm,prompt=prompt1)
chain1.run('所得税')

chain1.run('GDP')

プロンプトテンプレート2：言語翻訳

私たちは、英語からヒンディー語やフランス語への文の翻訳が可能なLLMChainを設定しました。実行すると、チェーンは文「How are you？」と目標言語「ヒンディー語」と「フランス語」を入力として受け取り、言語モデルはヒンディー語とフランス語で翻訳された出力を生成します。

template2='''簡単な方法で次の文を'{sentence}'から{target_language}に翻訳してください。'''

language_prompt = PromptTemplate(
    input_variables = ["sentence","target_language"],
    template=template2
)

language_prompt.format(sentence="How are you",target_language='ヒンディー語')

chain2 = LLMChain(llm=llm,prompt=language_prompt)

data = chain2({
    'sentence':"あなたの名前は何ですか？",
    'target_language':'ヒンディー語'
})

print("英語の文:", data['sentence'])
print("目標言語:", data['target_language'])
print("翻訳されたテキスト:")
print(data['text'])

data = chain2({
    'sentence':"こんにちは、元気ですか？",
    'target_language':'フランス語'
})

print("英語の文:", data['sentence'])
print("目標言語:", data['target_language'])
print("翻訳されたテキスト:")
print(data['text'])

プロンプトテンプレート3：旅行ガイド

私たちは、インドへの旅行に関する推奨事項を提供する言語モデルを活用したアプリケーションを作成しました。言語モデルは、プロンプトテンプレートで提供された入力に基づいて、インドへの旅行中に行うべき具体的な3つのことを箇条書きで応答します。

template3 = """ {location}へ旅行する予定です。そこでできるトップ3のことは何ですか。
非常に具体的に回答し、3つの箇条書きで応答してください """


travel_prompt = PromptTemplate(
    input_variables=["location"],
    template=template3,
)

travel_prompt = travel_prompt.format(location='パリ')

print(f"LLMの出力: {llm(travel_prompt)}")

LLMとプロンプトを組み合わせたマルチステップワークフロー

セレブ検索エンジン

ユーザーはセレブの名前を入力すると、そのセレブに関する詳細な情報（誕生日やその日に起こった重要な出来事など）を提供します。

# チェーン1：セレブについて教えて
first_input_prompt = PromptTemplate(
    input_variables = ['name'],
    template = "{name}について教えてください"
)
chain1 = LLMChain(
    llm=llm,
    prompt=first_input_prompt,
    output_key='person'
)

# チェーン2：セレブの誕生日
second_input_prompt = PromptTemplate(
    input_variables = ['person'],
    template = "{person}はいつ生まれたのですか"
)
chain2 = LLMChain(
    llm=llm,
    prompt=second_input_prompt,
    output_key='dob'
)

# チェーン3：その日の5つの重要な出来事
third_input_prompt = PromptTemplate(
    input_variables = ['dob'],
    template = "{dob}の周りで起こった5つの重要な出来事を挙げてください"
)
chain3 = LLMChain(
    llm=llm,
    prompt=third_input_prompt,
    output_key='description'
)

# チェーンを組み合わせる
from langchain.chains import SequentialChain
celebrity_chain = SequentialChain(
    chains=[chain1,chain2,chain3],
    input_variables=['name'],
    output_variables=['person','dob','description']
)

data = celebrity_chain({'name':"MS Dhoni"})
print("名前:", data['name'])
print("生年月日:", data['dob'])
print("説明:")
print(data['person'])
print("歴史的な出来事:")
print(data['description'])

レストラン名ジェネレーター

ユーザーは料理の種類を入力すると、その料理に適したレストラン名とそのレストランのメニューアイテムのリストが返されます。

# チェーン1：レストラン名
prompt_template_name = PromptTemplate(
    input_variables=['cuisine'],
    template="{cuisine}料理のレストランをオープンしたいです。そのための洒落た名前を提案してください。"
)

name_chain = LLMChain(llm=llm, prompt=prompt_template_name, output_key="restaurant_name")

# チェーン2：メニューアイテム
prompt_template_items = PromptTemplate(
    input_variables=['restaurant_name'],
    template="""{restaurant_name}のためのメニューアイテムを提案してください。カンマ区切りの文字列として返してください。"""
)

food_items_chain = LLMChain(llm=llm, prompt=prompt_template_items, output_key="menu_items")

# チェーンを組み合わせる
from langchain.chains import SequentialChain
restaurant_chain = SequentialChain(
    chains=[name_chain, food_items_chain],
    input_variables=['cuisine'],
    output_variables=['restaurant_name', "menu_items"]
)

data = restaurant_chain({'cuisine':'インド料理'})
print("料理:", data['cuisine'])
print("レストラン名:", data['restaurant_name'])
print("メニューアイテム:")
print(data['menu_items'])

結論

まとめると、LangChainはLanguage Modelsの世界を革新し、開発者に対してオープンソースのPythonフレームワークを提供しています。これにより、Large Language Models（LLMs）によってパワードされた最先端のアプリケーションを簡単に構築することができます。基礎モデルや外部データソースとのシームレスな統合、プロンプト管理やテンプレートのサポートにより、開発プロセスが簡素化され、創造性が育まれます。チャットボットから仮想アシスタント、言語翻訳ユーティリティまで、LangChainは素晴らしいプラットフォームを提供し、プロジェクトの開発を迅速化し、自然言語処理の領域でのイノベーションを推進します。

主なポイント

• オープンソースのPythonフレームワークであるLangChainは、Large Language Models（LLMs）によってパワードされた最先端のアプリケーションの開発を開発者に提供します。
• 基礎モデルや外部データソースとのシームレスな統合により、言語アプリケーションの機能が向上します。
• 効果的なプロンプトエンジニアリング技術により、開発者はタスクに合わせてLLMsをカスタマイズし、コンテキストに応じた言語アプリケーションを作成することができます。
• LangChainはプロジェクトの開発を迅速化し、自然言語処理のイノベーションを推進し、言語アプリケーションの無限の可能性を開拓します。

コードと実装はLangchainリポジトリにアップロードされています。

この記事が役に立ったことを願っています。LinkedInでご連絡ください。

よくある質問

この記事で表示されているメディアはAnalytics Vidhyaの所有物ではなく、著者の裁量で使用されています。

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!