langchoice

PYPI：https：//pypi.org/project/langchoice

？关于Langchoice

switch-case ，但用于自由形式的句子。 if-then-else是一个单线。

Langchoice库使您可以根据自然语言句子谓词或触发器来调节结构化程序。可以轻松定义用户输入的条件流，而无需一遍又一遍地实现句子匹配操作员。

？安装

 pip install langchoice

？入门

假设我们要检测传入的用户消息是否属于以下（问候，政治）主题之一。使用langchoice在几行中进行此操作。

首先定义定义每个主题类别（消息组）的文本消息。

 triggers = 
'''
greeting:
    - hello
    - hi
    - what's up?

politics:
    - what are your political beliefs?
    - thoughts on the president?
    - left wing
    - right wing
'''

1. 设置一个LangStore数据容器。

 data = yaml . safe_load ( triggers )
S = LangStore ( data )

2. 接收用户消息user_msg时，只需与主题匹配！

 match S . match ( user_msg , threshold = 1.2 , debug = True ): 
    case 'greeting' , _ : #user_msg matches the greeting message cluster
        say_hello ()
    case 'politics' , _ : #user_msg matches the politics message cluster
        change_topic ()
    case x :
        print ( x )
        print ( f'No defined triggers detected. Ask an LLM for response.' )

从每个主题中添加或删除句子或引入新主题。即时工作！

支持多种匹配模式：

• S.match返回最近消息的主题。
• 使用S.match_centroid取而代之的是最接近的主题质心。
• （可选）为无目的匹配的情况提供阈值：
  • 如果最近的主题距离大于阈值，则S.match返回None 。

调试等等！

• 使用debug=True和debug_k=5 to
  • 显示user_msg到不同主题的距离。
  • 获取每个消息组的比赛分数，以调试出了什么问题。

即将推出！

• 在内置断言中，如果执行不匹配预期的主题 /组，则会失败。

• 根据查询评估集，针对预先指定的消息组自动计算阈值
• 微调嵌入以更好地分离消息簇。

通过基于消息的路由实施对话流

Langchoice软件包使您能够进行受控的聊天机器人流，并很快构建护栏。

关键的动机是允许用户在设计机器人时具有最大控制：

• 按需添加/更新消息
• 将用户消息路由到所有者状态或模块
• 对对话流的更多控制权，而不会失去纠正的能力
• 建立对话，而不是（担心）LLM连锁店！

在示例中查看销售潜在客户过滤和约会预订机器人。

路线图

• 匹配变体
  • 混合匹配 - 分别匹配正则匹配
  • 本地S.匹配（基于状态标签）
  • 匹配类型='item'（默认）| type ='group'（centroid）| ...
• 允许切换下句子的编码器
• 基于主题和无关的消息的微调

作者

NISHANT SINHA，创始人，咨询科学家，Off Note Labs。

有关生成AI进化和应用的见解，请关注LinkedIn，并阅读我们的替代文章。