Cara Membina Antara Muka Pengguna untuk Aplikasi AI Menggunakan Streamlit dan Langchain

Tutorial ini menunjukkan membina UI streamlit untuk aplikasi Langchain yang berinteraksi dengan pangkalan data graf NEO4J. Ia mewujudkan chatbot menjawab soalan mengenai sejarah bola sepak antarabangsa menggunakan pengambilan semula Generasi Tambahan (RAG). Mari kita meneroka langkah dan konsep utama.

Tutorial memanfaatkan beberapa teknologi:

• Streamlit: Rangka Kerja Python untuk membina aplikasi web mesra pengguna dengan cepat. Ia menyediakan komponen untuk memaparkan mesej sembang dan menerima input pengguna, mewujudkan antara muka seperti chatgpt.
• Langchain: Rangka kerja menyatukan pelbagai LLM, memudahkan integrasi LLM dengan alat lain. Di sini, ia menghubungkan model GPT OpenAI ke pangkalan data.
• neo4j (dengan auradb): pangkalan data graf yang sesuai untuk menyimpan data yang saling berkaitan seperti pemain bola sepak, pasukan, perlawanan, dan pertandingan. Tutorial menggunakan contoh Auradb.
• Pengambilan Generasi Augmented (RAG): Teknik meningkatkan LLM dengan maklumat yang diambil dari pangkalan data. Chatbot menggunakan kain untuk menjawab soalan khusus mengenai sejarah bola sepak.

Data yang digunakan adalah dataset Kaggle yang mengandungi lebih daripada 47,000 perlawanan, termasuk skor, pencetak gol, dan butiran perlawanan. Data ini ditelan ke dalam pangkalan data NEO4J. Skema graf chatbot termasuk nod untuk pemain, pasukan, perlawanan, kejohanan, bandar, dan negara, yang dikaitkan dengan hubungan seperti "dimainkan_home" dan "scored_for".

tutorial berjalan melalui membina langkah demi langkah chatbot:

1. Persediaan Persekitaran:

   Membuat persekitaran conda dan memasang perpustakaan yang diperlukan (Streamlit, Langchain, Langchain-Openai, Langchain-Community, Neo4J). Rahsia (Neo4J URI, Nama Pengguna, Kata Laluan, dan Kunci API Terbuka) disimpan dalam . .streamlit/secrets.toml

2. Import Perpustakaan dan Pemuatan Rahsia:

   Mengimport modul yang diperlukan dan memuatkan rahsia menggunakan . st.secrets

3. Pengesahan:

   Sidebar mendorong pengguna untuk kunci API OpenAI mereka.

4. Sambungan pangkalan data dan inisialisasi rantai QA:

   fungsi menghubungkan ke Neo4J, menyegarkan skema, dan memulakan menggunakan init_resources. GraphCypherQAChain cache sumber -sumber ini untuk kecekapan. ChatOpenAI st.cache_resource

5. Sejarah Mesej:

   Sesi STEAMLIT Negeri menguruskan sejarah sembang, memaparkan mesej sebelumnya menggunakan dan . st.chat_message st.markdown

6. Komponen sembang:

   Fungsi melaksanakan rantai, mengendalikan kesilapan yang berpotensi. menerima pertanyaan pengguna, dan tindak balas dipaparkan menggunakan query_graph. st.chat_input

7. Pengoptimuman kod: Kod ini refactored ke dalam fail modular (graph_utils.py dan chat_utils.py) untuk organisasi yang lebih baik.

8. Penyebaran: Apl ini digunakan untuk melayari awan, yang memerlukan requirements.txt pengurusan fail dan rahsia.

Aplikasi akhir menyediakan antara muka mesra pengguna untuk menanyakan pangkalan data bola sepak. Tutorial ini juga menekankan bahawa sementara pembangunan UI agak mudah, mengoptimumkan penjanaan pertanyaan yang mendasari dan memastikan ketepatan memerlukan usaha yang signifikan. Contoh yang disediakan, sementara berfungsi, berfungsi sebagai titik permulaan dan mungkin memerlukan penghalusan selanjutnya untuk kegunaan pengeluaran. Tutorial ini disimpulkan dengan Soalan Lazim yang menangani soalan umum mengenai kemahiran, kos, alternatif pangkalan data yang diperlukan, dan perbezaan chatbot dari chatgpt.

(Nota: URL imej adalah ruang letak dan perlu digantikan dengan URL imej sebenar jika anda ingin memasukkan imej.)

Atas ialah kandungan terperinci Cara Membina Antara Muka Pengguna untuk Aplikasi AI Menggunakan Streamlit dan Langchain. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!