LangServe ve MinIO Entegrasyonu ile LangChain API'lerini Zahmetsizce Başlatın

yenilikçi dünyasındaki yolculuğumuz, onun veri yönetimi ve uygulama işlevselliğini dönüştürme konusundaki önemli yeteneklerini ortaya çıkardı. LangChain'in Önceki tartışmalarda LangChain'in karmaşık yeteneklerini keşfederken çeşitli konulara değindik. Bu makalede, ek yetenekleri kapsüllemek ve özel aracıyı LangServe aracılığıyla dağıtmak için bir MinIO aracısının işlevselliğini genişletirken, "Langchain Aracılarını MinIO ile Güçlendirme" bölümünde ele alınan konseptler üzerine inşa edeceğiz. LangChain'in S3 Yükleyicilerinden ve OpenAI API'sinden yararlanarak özel konuşma yapay zeka aracıları oluşturmak ve veri yönetimi için kolaylaştırılmış bir yaklaşım oluşturmak için izlenecek yol. LangChain ile Yenilikçi S3 Kova Erişimi : LangChain'in OpenAI'nin GPT'si ile birleştiğinde yapay zeka ve makine öğrenimi veri işlemede nasıl yeni sınırlara öncülük ettiğini gösteren MinIO'lardan yararlanmaya yönelik derinlemesine bir inceleme. LangChain Temsilcilerini MinIO ile Güçlendirmek : Bu içgörülere dayanarak şimdi odak noktamızı şuna çeviriyoruz: LangChain uygulamalarının geliştirmeden dağıtıma geçişinde önemli bir araç olan, üretime hazır API'lerin başlatılması sürecini basitleştiren önemli bir araçtır. LangServe LangServe: LangChain Uygulamalarının Dağıtımını Basitleştirme geliştiriciler için bir mihenk taşı görevi görüyor ve geleneksel olarak API dağıtımıyla ilişkili karmaşıklıkları ortadan kaldırıyor. MinIO ile entegre LangChain uygulamalarının erişilebilir, kullanıcı dostu API'lere sorunsuz geçişini sağlar. LangServe dağıtım ortamını şu şekilde yeniden tanımlıyor: LangServe LangServe'in otomasyon yetenekleri, gerekli API uç noktalarını zahmetsizce oluşturarak geliştirme çabalarını kolaylaştırır ve dağıtım süresini önemli ölçüde azaltır. Otomatik API Uç Noktası Oluşturma: Akıllı şema çıkarımıyla LangServe, API'lerin iyi tanımlanmış arayüzler sunmasını sağlayarak daha kolay entegrasyonu ve kusursuz bir kullanıcı deneyimini kolaylaştırır. Şema Oluşturma ve Doğrulama: LangServe, senkronize işlemlerden gerçek zamanlı güncellemelere kadar çeşitli uygulama ihtiyaçlarına uyacak çeşitli uç noktalar sunarak geliştiricilere benzersiz bir esneklik sağlar. Özelleştirilebilir Uç Nokta Yapılandırması: Belki de en ilgi çekici özelliği olan LangServe'in mevcut LangChain koduyla sorunsuz bir şekilde entegre olma yeteneği, geliştiricilerin önemli değişiklikler olmadan mevcut kod tabanlarından ve uzmanlıklarından yararlanabilecekleri anlamına gelir. Zahmetsiz Entegrasyon: LangChain ve Langserve'nin derinliklerine dalmak Aşağıdaki adımlarda MinIO'yu LangChain ile entegre etme sürecine daha derinlemesine bakacağız. ile bir LangChain Uygulaması oluşturun. langchain-cli dosyasında özel bir LangChain aracısı geliştirin. agent.py LangServe API'si olarak çalıştırmak için aracımızı uygulayın. server.py Uygulama Oluşturmak için LangChain'in Komut Satırı Arayüzünü Kullanma LangChain uygulamalarını LangServe ile dağıtmak, karmaşık AI işlevleri ile RESTful API'ye maruz kalma arasındaki boşluğu dolduran kusursuz bir entegrasyon yolculuğu getirir, geliştiricilerin LangChain yeteneklerinin tüm yelpazesini verimli bir şekilde kullanmalarına olanak tanır ve günümüzün hızlı dijital ortamında akıllı uygulamaların dağıtımı için yeni bir standart belirler. . LangChain, kullanarak uygulama oluşturmanın kullanışlı ve basit bir yöntemini sunar ile kurulabilir. Bu paket, kullanıcıların mevcut uygulamaları kullanarak kolayca yeni uygulamalar oluşturmasına olanak tanıyan bir arayüz sağlar. veya kendinizinkini yaratın. langchain-cli kütüphane pip LangChain uygulama şablonları Not: Gerekli tüm dosyalar “ ” adlı dizin altındaki MinIO “blog-assets” deposunda bulunmaktadır. minio-langserve-deployment Yeni bir LangChain uygulaması oluşturmak için oluşturmak ve paketini kurmak için aşağıdaki komutlarla başlayabiliriz: sanal bir ortam langchain-cli mkdir minio-langserve-testing cd minio-Langserve-testing python -m venv .myenv source .myenv/bin/activate pip install langchain-cli kullanarak yeni bir uygulama oluşturmak için terminalimizde yazabiliriz, adında yeni bir uygulama dizini oluşturmak için aşağıdaki komutu yazıyoruz. langchain-cli langchain my-app langchain app new my-app Yukarıdaki komutlarla oluşturulan langchain uygulaması, geliştirme için tutarlı bir ortam yaratarak tüm ağır işleri yapar. Yeni bir LangChain uygulamasının yapısı doğrudan şuna benzer: ./my-app ├── Dockerfile ├── README.md ├── app │ ├── __init__.py │ └── server.py ⇐ (This is where we will import our agent into) ├── packages ⇐ (This directory is where we will write our agent) │ └── README.md └── pyproject.toml Sonraki adımlarda, package/agent.py adında yeni bir dosya yazıp dosyasında değişiklikler yaparak yeni oluşturulan LangChain uygulamasında ( ) değişiklikler yapacağız. app/server.py my-app Bu makalede ele alacağımız dosyalar şunlardır: my-app/packages/agent.py my-app/app/server.py LangServe ile Dağıtılacak bir LangChain MinIO Aracısı Geliştirme MinIO ile entegre bir LangChain aracısının LangServe ile dağıtımını göstermek için, aracı zinciri kodunu kaydederek başlayacağız. agent.py Öncelikle "play.min.io:443" genel sunucusuna bağlanan bir başlatalım. Bu dosya sonunda LangChain'in çağıracak ve onu LangServe'in sarmalayıcısına aktarmamıza olanak tanıyacak. minio_client agent_executor add_route Not: Önceki yayının okunması " MinIO Lang Zinciri Aracı ", LangChain ve MinIO ile birlikte geliştirme konusunda değerli bilgiler sağlayacaktır. Benzer bir kavramsal yaklaşımı takip edeceğiz ancak ek MinIO araç mantığıyla. Başlamak için bir metin düzenleyici kullanarak Agent.py dosyasını açın: sudo nano packages/agent.py Dosyanın başında , , ve gibi gerekli paketleri içe aktarın: os io minio ChatOpenAI import os import io from minio import Minio from minio.error import S3Error from langchain_openai import ChatOpenAI os.environ["OPENAI_API_KEY"] = " >" # Initialize llm llm = ChatOpenAI(api_key=os.environ["OPENAI_API_KEY"]) # Initialize MinIO client minio_client = Minio('play.min.io:443', access_key='minioadmin', secret_key='minioadmin', secure=True) Bu kod parçasında gerekli paketleri içe aktarıyoruz ve ortam değişkeninde saklanan OpenAI API anahtarı ile ChatOpenAI dil modelini başlatıyoruz. Ayrıca "play.min.io" genel sunucusuna gerekli bağlantı detaylarını sağlayarak minio_client'i başlatıyoruz. OPENAI_API_KEY Daha sonra MinIO paketini tanımlayalım ve mevcut değilse oluşturalım: # This variable will check if bucket exists bucket_name = "test" try: # Check if bucket exists if not minio_client.bucket_exists(bucket_name): # Create the bucket because it does not exist minio_client.make_bucket(bucket_name) print(f"Bucket '{bucket_name}' created successfully.") else: print(f"Bucket '{bucket_name}' already exists.") except S3Error as err: print(f"Error encountered: {err}") Burada "test" olarak tanımlıyoruz ve yöntemini kullanarak zaten var olup olmadığını kontrol ediyoruz. Kova mevcut değilse kullanarak oluştururuz. Paket zaten mevcutsa bunu belirten bir mesaj yazdırırız. Ayrıca, işlem sırasında oluşabilecek herhangi bir yakalamak ve yazdırmak için try-hariç bloğu kullanarak hata işlemeyi de dahil ediyoruz. bucket_name minio_client.bucket_exists() minio_client.make_bucket() S3Error Temel kurulum tamamlandıktan sonra artık MinIO araç işlevlerini tanımlamaya ve sonraki adımlarda ele alacağımız aracı yürütücüyü oluşturmaya devam edebiliriz. Ajan Araçları için LangChain'in Fonksiyon Dekoratörünü Kullanmak Langchain ve Langserve, mantık ve işlevselliğin kapsüllenmesine benzer bir yaklaşım sunarak bunun aracı ve zincir mantığına kusursuz bir şekilde entegre edilmesini sağlar. Bu, tanımlanmış işlevin içinde, işlevleri yapay zeka aracısı tarafından kullanılabilen ve yorumlanabilen yeniden kullanılabilir bileşenler olarak işaretleyen ayrıntılı bir belge dizisine sahip dekoratörünün kullanılmasıyla gerçekleştirilir. @tool Sağlanan kod örneklerine daha yakından bakalım: from langchain.agents import tool @tool def upload_file_to_minio(bucket_name: str, object_name: str, data_bytes: bytes): """ Uploads a file to MinIO. Parameters: bucket_name (str): The name of the bucket. object_name (str): The name of the object to create in the bucket. data_bytes (bytes): The raw bytes of the file to upload. """ data_stream = io.BytesIO(data_bytes) minio_client.put_object(bucket_name, object_name, data_stream, length=len(data_bytes)) return f"File {object_name} uploaded successfully to bucket {bucket_name}." işlevi, yeniden kullanılabilir bir bileşen olduğunu belirten ile süslenmiştir. Bir dosyayı MinIO paketine yüklemek için paket adı, nesne adı ve dosyanın ham baytları gibi gerekli parametreleri alır. İşlev, dosya yükleme işlemini gerçekleştirmek için kullanır ve tamamlandığında bir başarı mesajı döndürür. upload_file_to_minio @tool minio_client @tool def download_file_from_minio(file_info): """ Custom function to download a file from MinIO. Expects file_info dict with 'bucket_name', 'object_name', and 'save_path' keys. 'save_path' should be the local path where the file will be saved. """ bucket_name = file_info['bucket_name'] object_name = file_info['object_name'] save_path = file_info['save_path'] minio_client.get_object(bucket_name, object_name, save_path) Benzer şekilde işlevi de ile işaretlenmiştir. Bir MinIO paketinden bir dosyayı indirmek için paket adı, nesne adı ve dosyanın kaydedilmesi gereken yerel yol gibi gerekli bilgileri içeren bir sözlüğü bekler. İşlev, nesneyi belirtilen gruptan almak ve belirlenen yerel yola kaydetmek için kullanır. download_file_from_minio @tool file_info minio_client @tool def list_objects_in_minio_bucket(file_info): """ Custom function to list objects in a MinIO bucket. Expects file_info dict with 'bucket_name' key. Returns a list of dictionaries containing 'ObjectKey' and 'Size' keys. """ bucket_name = file_info['bucket_name'] response = minio_client.list_objects(bucket_name) return [{'ObjectKey': obj.object_name, 'Size': obj.size} for obj in response.items] Yine ile donatılmış işlevi, bir MinIO kümesinde bulunan nesnelerin listelenmesinden sorumludur. anahtarına sahip bir sözlüğü bekler. İşlev, belirtilen gruptaki nesnelerin listesini almak için kullanır ve her nesne için nesne anahtarını ve boyutunu içeren sözlüklerin bir listesini döndürür. @tool list_objects_in_minio_bucket bucket_name file_info minio_client Langchain ve Langserve, bu işlevleri araçlar olarak kapsayarak, yapay zeka aracısının bunları kendi mantığına ve karar verme sürecine sorunsuz bir şekilde dahil etmesini sağlar. Aracı, elindeki göreve göre uygun aracı akıllıca seçip çalıştırabilir, yeteneklerini geliştirebilir ve MinIO depolama sistemiyle daha karmaşık ve dinamik etkileşimlere olanak tanıyabilir. LangChain'in Çalıştırılabilir Yöntemini Anlamak LangChain, özel mantıkla inşa etmek için sayısız yöntem sunar; bu yaklaşımlardan biri de " ”. Yukarıdaki tanıtıcı mantığa gelince, LangChain tarafından sağlanan ve işlevlerin AI aracısının mantığı içinde yürütülebilir birimler olarak ele alınmasına izin veren bir yapı olan . çalıştırılabilirler RunnableLambda from langchain_core.runnables import RunnableLambda upload_file_runnable = RunnableLambda(upload_file_to_minio) download_file_runnable = RunnableLambda(download_file_from_minio) list_objects_runnable = RunnableLambda(list_objects_in_minio_bucket) Araç fonksiyonlarını RunnableLambda ile sararak, aracı tarafından yürütülmesi sırasında çağrılabilecek çalıştırılabilir örnekler ( , ve ) oluştururuz. Bu çalıştırılabilirler, karşılık gelen araç işlevlerini kapsar ve aracının bunlarla etkileşime girmesi için tek tip bir arayüz sağlar. upload_file_runnable download_file_runnable list_objects_runnable tools = [upload_file_to_minio, download_file_from_minio, list_objects_in_minio_bucket] llm_with_tools = llm.bind_tools(tools) Araçlar listesi, aracının yetenekleri için yapı taşları görevi gören orijinal araç işlevlerini ( , ve ) içerir. satırı, araçları dil modeline ( ) bağlayarak modelin muhakeme yetenekleri ile araçlar tarafından sağlanan belirli işlevler arasında bir bağlantı kurar. Ortaya çıkan bağlı araçları kullanma bilgisi ve yeteneği ile geliştirilmiş dil modelini temsil eder. upload_file_to_minio download_file_from_minio list_objects_in_minio_bucket llm.bind_tools(tools) llm llm_with_tools kullanımı ve araçların dil modeline bağlanması, LangChain ve LangServe'nin güçlü ve özelleştirilebilir yapay zeka aracıları oluşturmadaki esnekliğini ve genişletilebilirliğini göstermektedir. Yapay zeka aracısı, dil modelinin gücünü araçlarda yer alan belirli işlevlerle birleştirerek, dosyaları MinIO'ya yüklemek, MinIO'dan dosya indirmek ve bir MinIO kümesindeki nesneleri listelemek gibi karmaşık görevleri gerçekleştirme yeteneği kazanır. RunnableLambda Temsilcimize Yol Gösterecek Bir Bilgi İstemi Şablonu Yazma Daha sonra odak noktamızı, yapay zeka aracısına kullanıcı girdilerini anlama ve yanıt verme konusunda rehberlik eden bilgi istemi şablonuna kaydırıyoruz. Rolü ve mesaj içeriğini içeren demetler olarak temsil edilen mesajların bir listesini alan yöntemi kullanılarak tanımlanır. ChatPromptTemplate.from_messages() from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder from langchain.agents.format_scratchpad.openai_tools import format_to_openai_tool_messages from langchain.agents.output_parsers.openai_tools import OpenAIToolsAgentOutputParser from langchain_core.messages import AIMessage, HumanMessage prompt_template = ChatPromptTemplate.from_messages([ ("system", "You are a powerful assistant equipped with file management capabilities."), ("user", "{input}"), MessagesPlaceholder(variable_name="agent_scratchpad"), ]) İstem üç mesajdan oluşur: Dosya yönetimi yeteneklerine sahip güçlü bir asistan olarak AI aracısının bağlamını belirleyen bir "sistem" mesajı. yer tutucusunu kullanan, kullanıcının girişini temsil eden bir "kullanıcı" mesajı. {input} Aracının ara adımlarını ve düşünce sürecini depolamak için "agent_scratchpad" adlı bir . MessagesPlaceholder işlevi, aracının karalama defterini OpenAI araçları için uyumlu bir formatta formatlarken, OpenAIToolsAgentOutputParser sınıfı, modelin yanıtını aracı tarafından yorumlanabilen yapılandırılmış bir formata ayrıştırır. format_to_openai_tool_messages ve sınıfları, aracı ile kullanıcı arasında alınıp verilen mesajları temsil ederek, aracının mantığı dahilinde iletişimi yönetmek için standartlaştırılmış bir yol sağlar. AIMessage HumanMessage Bilgi istemi şablonunu tanımlayarak, görevi çözerken ara adımlarını ve düşünce sürecini takip etmek için "agent_scratchpad" yer tutucusunu kullanarak yapay zeka aracısına kullanıcı girdilerini anlaması ve yanıt vermesi için net bir yapı ve bağlam sağlıyoruz. Aracıyı Araçları ile Tanımlama Son olarak, dosyamızı tamamlamak için aracımızı tanımlıyoruz ve LangServe kütüphanesindeki fonksiyonunu kullanarak bir betiğinden içe aktarılabilen ve çağrılabilen bir AgentExecutor oluşturuyoruz. agent.py add_route server.py Gerekli bileşenleri başlatıyoruz ve tek bir etmen değişkeni oluşturmak için bunları birbirine zincirliyoruz. agent = ( { "input": lambda x: x["input"], "agent_scratchpad": lambda x: format_to_openai_tool_messages(x["intermediate_steps"]), } | prompt_template | llm_with_tools | OpenAIToolsAgentOutputParser() ) Aracı, sözlüklerin ve zincirleme işlemlerin bir kombinasyonu kullanılarak tanımlanır. Giriş anahtarı, kullanıcı girdisini gelen verilerden ayıklarken, anahtarı, işlevini kullanarak aracının düşünce sürecinin ara adımlarını biçimlendirir. Aracı ayrıca bilgi istemi şablonunu ( ), araçlarla birlikte dil modelini ( ) ve çıktı ayrıştırıcısını ( ) içerir. agent_scratchpad format_to_openai_tool_messages prompt_template llm_with_tools OpenAIToolsAgentOutputParser() Agent'ı Çalıştırmak için AgentExecutor Tanımlama Bir oluşturmak için, ona tanımlanmış aracıyı, mevcut araçları sağlarız ve ayrıntılı çıktı için ayarını yaparız. AgentExecutor verbose=True from langchain.agents import tool, AgentExecutor agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True) görevi anlamak ve kullanıcının girdisine göre uygun aracı seçmek için sağlanan aracıyı ve araçları kullanır. Aracı, her araç için ayrı istemlere sahip olmak yerine, verilen girdiye dayalı olarak araçların nasıl kullanılacağı konusunda kendisine rehberlik eden tek bir bilgi istemi şablonu kullanır. Aracı, yürütme süreci sırasında uygun aracı dinamik olarak seçer. AgentExecutor AgentExecutor'umuzla LangServe Rotasını Tanımlama Uygulamamızı LangServe ile entegre ederek ayarlamak, LangChain uygulamalarımızı API'ler olarak dağıtmak ve yönetmek için basit bir yol sağlar. FastAPI, performansı ve kullanım kolaylığı, eşzamansız işlemleri desteklemesi ve API belgelerini otomatik olarak oluşturması nedeniyle seçilmiştir. FastAPI ile oluşturulan , LangChain nesnelerinin REST API'leri olarak dağıtımını basitleştirerek bunu zenginleştirir ve API'mizin farklı alanlardan güvenli bir şekilde çağrılmasını sağlamak için CORS ayarları için yerleşik ara yazılım sunar. LangServe kütüphanesi Daha ayrıntılı/kullanım durumu gösterileri için şu adresi ziyaret ederek incelenebilir: langchain-ai/langserve GitHub deposu altında örnekler dizini . from fastapi import FastAPI app = FastAPI( title="MinIO Agent API", version="1.0", description="A conversational agent facilitating data storage and retrieval with MinIO", ) CORS başlıklarını ayarlamak için güvenliğimizi artırmak amacıyla aşağıdaki satırları ekleyebiliriz: from fastapi.middleware.cors import CORSMiddleware # Set all CORS enabled origins app.add_middleware( CORSMiddleware, allow_origins=["*"], allow_credentials=True, allow_methods=["*"], allow_headers=["*"], expose_headers=["*"], ) Agent'ı LangServe kullanarak uygulamak Artık ile işimiz bittiğine göre onu içe aktarabilir ve betiğimizdeki LangServe kütüphanesindeki fonksiyonunu kullanabiliriz. packages/agent.py app/server.py add_route from packages.agent import agent_executor from langserve import add_routes add_routes( app, agent_executor.with_types(input_type=Input, output_type=Output).with_config( {"run_name": "agent"} ), path=”/invoke” ) çağırarak, sunucu uygulamamıza ( ), yolunu işlevine eşleyen bir rota ekliyoruz. Bu, uç noktasına bir istek yapıldığında aracı yürütücünün çağrılmasına olanak tanır. add_route(app, agent_executor(…), path="/invoke") app /invoke agent_executor() /invoke Bu kurulumla sunucu, gelen istekleri işleyebilir, bunları aracı yürütücüye iletebilir ve aracının yanıtını istemciye geri gönderebilir. Aracı yürütücü, kullanıcı girişini işlemek ve mevcut araçlara dayalı olarak uygun bir yanıt oluşturmak için bilgi istemi şablonunu, araçlarla birlikte dil modelini ve çıktı ayrıştırıcıyı birleştiren tanımlanmış aracıyı kullanır. LangServe Uygulamasını Uvicorn aracılığıyla başlatma LangServe uygulamasını başlatmak için ASGI sunucusu olarak Uvicorn'u kullanıyoruz ve uygulamamızın çalışması için zemin hazırlıyoruz. Bu kod parçacığı, evrensel ana bilgisayarı ve uygulamanın erişim noktaları için belirlenen bağlantı noktasını belirterek sunucuyu etkinleştirdiği için çok önemlidir. if __name__ == "__main__": import uvicorn uvicorn.run(app, host="0.0.0.0", port=8000) Bu bloğu uygulamanın ana girişine yerleştirerek, komut dosyası doğrudan çalıştırıldığında Uvicorn'un kontrolü ele almasını sağlıyoruz, böylece FastAPI uygulamamızı önceden tanımlanmış bir ana bilgisayar ve bağlantı noktasında aydınlatıyoruz. Bu yaklaşım yalnızca dağıtım sürecini basitleştirmekle kalmaz, aynı zamanda uygulamanın bir geliştirme veya üretim ortamında çalıştırılmasına yönelik açık bir girişi de işaret eder. Sunucu Uygulamasını Başlatma Yukarıdaki kod, "langchain-cli" kitaplığının kullanılmasını, yeni bir langchain uygulaması oluşturulmasını ve FastAPI ve LangServe uygulaması kaydedilirken zincir mantığını kaydetmeyi içeren modüler bir yaklaşım gösterilmiştir. server.py agent.py Bu bizim son adımımız olarak, uygulamamızı oluşturmanın tanıtım amacıyla uygulama kodumuzu kaydedeceğiz. server.py Hizmetimizi çalıştırmanın en basit yolu şudur: python server.py Bu komut, uygulamayı çalıştıracak ve hala hata ayıklanması gereken günlükleri veya hata mesajlarını döndürecektir. LangServe Oyun Alanı Python çıktısında LangServe günlükleri uygulama uç noktası olarak tanımlar. Artık oyun alanı WebUI'yi ve API'mizin yolunu ziyaret ederek erişilebilen API'miz için otomatik belgeleri ziyaret edebiliriz; WebUI'dan yürütebileceğimiz önceden tanımlanmış cURL isteklerinin yanı sıra, uygulama özelliklerimizin her biri için Deneyin düğmesini ekleyerek test etme ve yapılandırma konusunda bize basitleştirilmiş bir yaklaşım sağlıyor. /invoke/playground /docs Sonuç olarak, MinIO ile entegre LangChain aracımız artık ustaca konuşlandırılabilir bir API'ye dönüştürüldü; toplu işlemeden gerçek zamanlı etkileşimlere kadar çeşitli işlevlere sahip kullanıcılar için geliştirilmeye ve genişletilmeye hazır. LangServe API'sinin Daha Fazla Kullanımı LangServe uygulaması çalışır durumdayken, uç noktamızı hedefleyerek ve onu Langserve'in modülüne sararak onu dosyamızın dışından kullanabiliriz: RemoteRunnable server.py from langserve import RemoteRunnable remote_runnable = RemoteRunnable("http://localhost:8000/ /") Eklemek LangChain, kütüphanelerinde çok çeşitli modüller barındırıyor ve geliştiricilere gelişmiş yapay zeka destekli uygulamalar oluşturma konusunda güç vermek için tasarlanmış çeşitli araç kitlerini sergiliyor. LangChain'in modüler mimarisi, karmaşık zincir yapılarından çeşitli yapay zeka modelleriyle kusursuz entegrasyona kadar çok çeşitli işlevleri kolaylaştırarak yapay zeka ve makine öğrenimi alanında son derece özelleştirilebilir ve gelişmiş çözümlerin oluşturulmasına olanak tanır. LangServe ile Yapay Zeka Ardışık Düzenleri Geliştirme LangServe, LangChain uygulamalarını dağıtma sürecini yalnızca gizemi açığa çıkarmakla kalmaz, aynı zamanda önemli ölçüde basitleştirir. Geliştirme ve dağıtım arasındaki boşluğu doldurarak, MinIO ve LangChain'den yararlanan yenilikçi uygulamaların konseptten gerçeğe hızlı bir şekilde geçmesini, daha geniş ekosisteme entegre olmaya hazır olmasını ve kullanıcı deneyimlerini geliştirmesini sağlar. Araştırmalarımız kapsamındaki geliştirmeler sayesinde MinIO'nun kusursuz entegrasyonunu gördük. kesinlikle mümkün ve nasıl bu gelişmiş çözümlerin dağıtımında önemli bir rol oynar. Gelişen yapay zeka ve makine öğrenimi ortamında ilerlemeye devam ederken, LangServe gibi araçlar, uygulama geliştirmede en son teknolojileri ön plana çıkarmada etkili olmaya devam edecek. LangChain LangServe MinIO olarak, teknoloji açısından zengin bu çağda geliştirici topluluğunun yaratıcılığından ve potansiyelinden güç alıyoruz. İşbirliği ve bilgi alışverişi için daha iyi bir zaman olamaz. Sizinle bağlantı kurmaya can atıyoruz! Bize katılın Sohbete devam etmek ve birlikte yeni zirvelere ulaşmak için kanal. MinIO Gevşekliği