【Prompt Flow】カスタムPython環境の作成 & Function callingの実行の備忘録 - Qiita
背景 以前、ChatGPTを使って以下のようなものを作りました。 「 決算短信などのPDFファイルから分析に必要なデータを抽出し、Excelとして出力してくれる 」 機能的には気に入っていますが、実行がとても面倒くさいです 「 Pythonスクリプトを実行した後に、ChatGPTに入力して、出力をコピペして、、、 」といった感じですね。 そこで、自動化・パイプライン化したいなあと思い始めたのが今回の背景です。 自動化しようと思ったときに、Prompt Flowを使えるのではないかということで実装してみました。(Pythonだけでも実装可能だと思います。) Prompt Flowを使えば、Variantsを使って並列で色々なプロンプトを試せますし評価も可能です。 やること 今回やることの全体像は以下の通りです。 入力 ユーザがPrompt Flow対してファイル名を入力 Prompt Flo
【Prompt flow入門①】Prompt flowの作成・実行・カスタマイズ方法 - Qiita
まえがき 今回は入門ということで、以下の2つのことをまとめています。 Prompt flowの作成～実行 簡易的なタスクをPrompt flowで実装 Prompt flowの便利機能には今回触れていません。次回以降まとめていきます。 以下のような便利機能を試していく予定です。 マネージドオンラインエンドポイントの作成 Variant Bulktest ベクトルDBやSerp APIとの連携 リソース構築 事前作成が必要なもの Azure OpenAI gpt-35-turbo Machine Learning Studioのワークスペース Azure OpenAIを作成し、上記モデルをデプロイします。エンドポイントとキーをコピーしておきます。 また、下記URLからワークスペースを作成しておきます。 Prompt flowとAzure OpenAIの接続 Connenctionsタブへ移動
Langchain・Semantic Kernel・guidanceでエージェント機能を実装して比較してみた。 - Qiita
guidance guidanceではエージェント機能は自前で実装する必要があります。 semantic kernelやlanchainではエージェント機能が用意されています。 自前実装可能なので実装の幅は広そうですが、今回は以下のような流れで実装しました。 実行すべき関数のリストをJSON形式で作成=実行計画 実行計画の作成を行うプロンプトにより実装しています。 JSONに含まれる関数を順に呼び出す pythonの関数として実装しています。 ユーザ側でプロンプトやpythonの関数を作成できるため、自由度が高いなと感じました。 あとはあまり抽象化されていないため、機能拡張・メンテナンスなどが楽そうです。 ①ソースコード全文 ソースコード全文 import os import json import guidance # テキスト生成モデル text_llm = guidance.llms
Python版 Semantic Kernelのプランナーを理解しよう。~実装を通して学んだことの備忘録~ - Qiita
Python版 Semantic Kernelのプランナーを理解しよう。~実装を通して学んだことの備忘録~PythonAzureOpenAIChatGPTSemanticKernel 0. まとめ ※ソースコードと睨めっこし、色々試しながら実行して得た見解ですので、正確ではないかもしれません。 （ドキュメント読めば書いてあるんですかね、、） 用語については下記記事にとてもわかりやすくまとめられています。 スキル間の結果の受け渡しは勝手に行われる 受け渡す必要がない場合でも、受け取りは発生する 受け取った側で使わなければOK 内部の処理では、コンテキストオブジェクトで行われる(context['input']に前の結果が入っている) ネイティブ関数で前のスキルの実行結果を受け取る際はcontextを使う 上述の通り、スキル間の値の受け渡しはコンテキストを用いるため （ドキュメントをちゃんと読
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
