Introducción a LangChain

**¿Qué es LangChain? 🤔** LangChain es un **framework** que te permite crear **aplicaciones inteligentes** utilizando modelos de lenguaje avanzados (como GPT). 🌐 💡 ¿Qué lo hace especial? * Te ayuda a **integrar** estos modelos en aplicaciones más complejas. * Permite **conectar** tus modelos con fuentes de datos externas, como APIs y bases de datos. * Facilita tareas como el **procesamiento de lenguaje natural** y la **automatización** de procesos. 🤖 Es ideal para desarrollar soluciones avanzadas de IA, ¡y hacerlas realidad de manera eficiente y sencilla! 🎯

Tomando como base los recursos de la clase sobre Modelos en Hugging Face, podría destacar tres modelos mencionados y sus posibles aplicaciones en el desarrollo de agentes: gpt2: Este modelo, utilizado en ejemplos dentro de "Hugging Face Local Pipelines" para ilustrar la carga y ejecución local de modelos, se presenta como una opción versátil para tareas de generación de texto. En el contexto de agentes de IA, gpt2 podría ser útil para procesar lenguaje natural, permitiendo al agente comprender y generar texto en interacciones con humanos. bigscience/bloom-1b7: Su mención en el contexto de inferencia por lotes en GPU sugiere su eficiencia en el procesamiento de grandes volúmenes de datos. Un agente de IA podría beneficiarse de esta capacidad para analizar rápidamente información del entorno y tomar decisiones más informadas. sentence-transformers/all-MiniLM-L6-v2: Este modelo se destaca por su función de similitud de oraciones, resultando útil para tareas como la comparación y clasificación de texto. Un agente podría utilizar esta capacidad para comprender la intención detrás del lenguaje humano, identificando similitudes entre diferentes comandos o preguntas. Es crucial recordar que la selección de los modelos ideales depende en gran medida del objetivo específico del agente, las tareas que debe realizar y los recursos disponibles.

Los tres modelos que utilizaria son ctransformers, ollama y aphrodite-engine

LangChain es una biblioteca de código abierto desarrollada en Python que permite a los desarrolladores crear aplicaciones de procesamiento de lenguaje natural (NLP) y modelos de inteligencia artificial (IA) de manera más fácil y eficiente. Fue lanzada en 2022 y desde entonces ha ganado popularidad debido a su capacidad para simplificar la integración de modelos de lenguaje grandes y complejos en aplicaciones prácticas. LangChain se enfoca en proporcionar una capa de abstracción sobre modelos de lenguaje grandes como LLaMA, Llama, PaLM, y otros, facilitando la interacción con estos modelos para tareas como el procesamiento de lenguaje natural, la generación de texto, la traducción, la clasificación de texto, y más. Al ofrecer una interfaz unificada para interactuar con diferentes modelos de lenguaje, LangChain reduce la complejidad asociada con la configuración y el uso de estos modelos avanzados en aplicaciones de NLP. Entre las características clave de LangChain se incluyen: 1\. \*\*Interfaz Unificada\*\*: Proporciona una API consistente para interactuar con varios modelos de lenguaje, lo que simplifica el desarrollo y la migración entre diferentes modelos. 2\. \*\*Chain\*\*: Permite crear "cadenas" de modelos de lenguaje, donde el output de un modelo se puede utilizar como input para otro, facilitando la creación de flujos de trabajo complejos de NLP. 3\. \*\*Hooks\*\*: Ofrece la capacidad de agregar funcionalidades personalizadas en diferentes puntos de las cadenas de modelos, permitiendo la integración de lógica de negocio específica o la modificación de los flujos de trabajo según sea necesario. 4\. \*\*Soporte para Diferentes Modelos\*\*: LangChain es compatible con una variedad de modelos de lenguaje, lo que permite a los desarrolladores elegir el modelo más adecuado para sus necesidades específicas. 5\. \*\*Comunidad Activa\*\*: Dado que es de código abierto, LangChain cuenta con una comunidad activa de desarrolladores que contribuyen a su desarrollo y mejoramiento continuo. LangChain es una herramienta valiosa para desarrolladores, investigadores y empresas que buscan aprovechar el poder de los modelos de lenguaje avanzados para crear aplicaciones innovadoras y soluciones de NLP sin necesidad de profundas habilidades en machine learning.

Aqui esta el link a Langchain: <https://python.langchain.com/v0.1/docs/integrations/llms/>

Modelos a usar, Open AI, Claude, Meta

El libro mencionado como referencia sobre qué es un agente es "Artificial Intelligence: A Modern Approach". Este texto es fundamental en el campo de la inteligencia artificial y ofrece una base sólida sobre la teoría y práctica de los agentes inteligentes.

Segun Deepseek, los modelos **Hugging Face Transformers**, **LLaMA (Meta AI)**, **GPT-NeoX (EleutherAI)**, **Falcon (TII)**, **OpenLLM**, **Oobabooga's Text Generation Web UI**, **GPT4All** y **FastChat (Vicuna) son modelos que pueden ser utilizados de forma gratuita con LangChain**

Que emocion encontrar informacion tan valiosa entre tanta informacion valiosa!

ChatGPT 4, DeepSeek R1, Claude 3.7

estoy tomando la ruta de ingles de platzi no soy un experto pero creo que asi no se pronuncia hugging face

Como estoy apenas ingresando a esta parte de desarrollo, usaré el mismo modelo del ejemplo; eso si, intentaré ver si ya se puede correr una versión de GPT más actualizada que la 2.0.

Los modelos de Hugging Face son, en su mayoría, gratuitos y de código abierto, lo que permite a los desarrolladores experimentar y crear aplicaciones sin costo. Otros modelos pueden tener un coste asociado y ofrecer características premium. Sin embargo, la calidad entre ambos puede variar: los modelos de pago suelen estar optimizados para tareas específicas y pueden ofrecer mejor rendimiento o soporte. En comparación, los modelos de Hugging Face son versátiles y están en constante actualización, lo que los hace muy accesibles para diversos usos.

**¿Quieren saber que es LangChain?** LangChain es un marco de código abierto diseñado para facilitar el desarrollo de aplicaciones que utilizan modelos de lenguaje de gran tamaño (LLMs). Está disponible en bibliotecas basadas en Python y JavaScript, y ofrece herramientas y APIs que simplifican la creación de aplicaciones impulsadas por LLMs, como chatbots y agentes virtuales. LangChain permite a los desarrolladores construir aplicaciones contextuales y razonadas que pueden integrarse con datos externos y flujos de trabajo de software.

Hola, primero; felicitar a la profe Carli y equipo por la dinamica de las clases, se agradece en cuanto a atencion se refiere... Mi pregunta se relaciona con jupyterLab donde decidi ejecutar los ejercicios, despues de from lang...... despues de generation\_config.json: 100% ...(124/124) me aparece este mensaje, estimo que quiere usar la grafica, Device has 1 GPUs available. Provide device={deviceId} to `from\_model\_id` to use availableGPUs for execution. deviceId is -1 (default) for CPU and can be a positive integer associated with CUDA device id. esta este numero en la interfaz de setup de nvidia, o debo internar trabajar con google colab? Desde ya gracias !!!

Los modelos la Language Model como GPT son las bases de aplicaciones avanzadas como Chat asistentes virtuales y herramientas de búsqueda inteligente, desde asistentes que anticipan tus necesidades hasta servicios se streaming que parecen leer tu mente. LangChain está en el corazón de estas innovaciones al encadenar componentes modulares este permite los desarrolladores crear aplicaciones que no se responden sino que también anticipan y actúan de manera autónoma, esto Facilita todas las etapas del ciclo de vida de una de una aplicación basada en LLM desde la creacion y selección de un modelo, la puesta en producción y luego la evaluación de esta aplicación. Los componentes claves son: * Las cadenas o chains que son secuencias de pasos que combinan la LLM con otras herramientas como API para realizar tareas complejas * Añadir memoria ya que permite las aplicaciones recordar interacciones previas y lo que mejora la prensa del usuario en diálogos continuos * Uso de herramientas ya que se integra con servicios externos como Google Search o Wolfram alfa * Construir agentes que son entidades que toman decisiones autónomas sobre qué acción ejecutar basandose en las entradas que recibimos el usuario y también los recursos disponibles  Que es un agente? Es un sistema que percibe su entorno procesa la información y toma decisiones autónomas según el libro artificial intelligence a Modern approach un agente toma decisiones basadas en la percepción de su entorno y actúan en consecuencia. Los agentes en LangChain funcionan de manera similar pues usan LLM para analizar las entradas del usuario razonar y actuar. Un ejemplo que te puedo dar de un agente puede ser el de una asistente virtual al que se le pide reservar un vuelo desde Nueva York para eso esta agente percibe la solicitud que es la entrada de texto, razón usando el LLM para comprender los detalles y finalmente actúe interactuando con API de aerolíneas para buscar vuelos y reservar. Ejemplo practico Vamos a conectarnos a un LLM que en este caso vamos a utilizar Hugginface y se va a estar programando en Google colab pero cuando vayamos a hacer el proyecto vamos a unir todas estas partes que hemos hecho y vamos a construir todo el proyecto utilizando visual al estudio Code. Documentacion de LangChain. Sección de LLMs que esa en la parte de integraciones [LLMs | 🦜️🔗 LangChain](https://python.langchain.com/v0.2/docs/integrations/llms/) aqui veremos una tabla con todos los proveedores con los que podemos trabajar y todos sus modelos que podemos usar. En Huggingface nos podemos conectar * Huggingface Endpoints: Usando un Endpoint o URL de la API * Hugging Face Local Pipelines: descargando el transformes de forma local y ejecuntado en local todo[Hugging Face Local Pipelines | 🦜️🔗 LangChain](https://python.langchain.com/v0.2/docs/integrations/llms/huggingface_pipelines/)Este enfoque te permite integrar modelos de Hugging Face directamente en tu flujo de trabajo utilizando las capacidades de LangChain.Instalamos Transformers es crucial para trabajar con modelos de lenguaje de Hugging Face, LangChain Hugging Face facilita la integración de esos modelos en flujos de trabajo que usan LangChain como pipelines locales para procesamiento de lenguaje natural.%pip install --upgrade transformers langchain-huggingface HuggingFacePipeline desde LangChain y crea una instancia de un modelo GPT-2 para generar texto. El método from\_model\_id carga el modelo específico "gpt2" con la tarea de generación de texto y establece un límite de hasta 10 tokens nuevos por cada respuesta generada.from langchain\_huggingface.llms import HuggingFacePipeline. ```js hf = HuggingFacePipeline.from_model_id( model_id="gpt2", task="text-generation", pipeline_kwargs={"max_new_tokens": 10}, ) ``` El código `hf.invoke(question)` utiliza el modelo de Hugging Face previamente cargado (en este caso, GPT-2) para generar una respuesta basada en la pregunta proporcionada, en este caso: "What is electroencephalography?" Este método envía la pregunta al modelo de generación de texto, y el modelo responde según su conocimiento.El número de tokens generados en la respuesta está limitado por el argumento `pipeline_kwargs={"max_new_tokens": 10}` que se definió anteriormente, lo que limita la longitud de la salida `question = "What is electroencephalography?"` `hf.invoke(question)` la respuesta fue “What is electroencephalography? What is the frequency? Why is it used for” y si vemos es muy ambigua y limitada esto es por la calidad del modelo GPT-2

Update a lo anteriormente escrito, pude ejecutar el invoke, y tuve la respuesta, pero igual estoy interesado en el mensaje que me aparecio, se agradencen sus aportes, saludos!

Buenos dias Prof, Activo por aqui con sus nuevo curso... le envie una solicitud para el colab...espero se pueda acceder gracias

Me interesó mucho el curso, pero esta muy avanzado para mi. Alguna sugerencia sobre que curso hacer primero?

agente

Para instalar la librería Transformers en el contexto de LangChain, se utiliza el siguiente comando en Google Collaboratory: ```python !pip install transformers ``` Este comando permite descargar e instalar la librería necesaria para trabajar con modelos de lenguaje, facilitando su uso en aplicaciones de inteligencia artificial.