Langchain - 1차 과제

# 환경변수 등록, 생략

from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate

# LLM, 응답 인스턴스 설정
model = ChatOpenAI(model="gpt-4o")
output_parser = StrOutputParser()

# 프롬프트 생성, 템플릿 설정
prompt = ChatPromptTemplate.from_template("{topic}에 대한 짧은 농담을 한글로 해줘.")

# LCEL 체인 생성
chain = prompt | model | output_parser

# topic 입력받기
topic = input("농담의 주제: ")

# 체인 호출, 결과 저장, 출력
result = chain.invoke({"topic": topic})
print(result)

from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate

# LLM, 응답 인스턴스 설정
model = ChatOpenAI(model="gpt-4o")
output_parser = StrOutputParser()

# 프롬프트 생성, 템플릿 설정
prompt1 = ChatPromptTemplate.from_template("{person}이 태어난 도시를 찾아줘.")
prompt2 = ChatPromptTemplate.from_template("{city}가 속한 국가를 알려줘. in {language}.")

# 사용자의 입력받기
person = input("인물 이름: ")
language = input("번역 언어: ")

# chain1 생성 및 호출
chain1 = prompt1 | model | output_parser
city = chain1.invoke({"person": person})

# chain2 생성 및 호출
chain2 = prompt2 | model | output_parser
result = chain2.invoke({"city": city, "language": language})
print(result)

from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate

# LLM, 응답 인스턴스 설정
model = ChatOpenAI(model="gpt-4o")
output_parser = StrOutputParser()

# 사용자의 입력받기
topic = input("논쟁 주제: ")

# 프롬프트 설정
prompt_topic = ChatPromptTemplate.from_template("다음 주제에 대한 논쟁을 생성해줘: {topic}")
prompt_positive = ChatPromptTemplate.from_template("다음 논쟁의 긍정적인 측면을 평가해줘: {debate}")
prompt_negative = ChatPromptTemplate.from_template("다음 논쟁의 부정적인 측면을 평가해줘: {debate}")
prompt_summary = ChatPromptTemplate.from_template("다음 긍정적, 부정적 분석을 종합하여 결론을 내려줘: {positive} {negative}")

# Advanced Sequential Chain 구성
chain_topic = prompt_topic | model | output_parser
chain_positive = {"debate":chain_topic} | prompt_positive | model | output_parser
chain_negative = {"debate":chain_topic} | prompt_negative | model | output_parser
chain_summary = {"positive":chain_positive,"negative":chain_negative} | prompt_summary | model | output_parser

# 체인 호출 및 결과 출력
result = chain_summary.invoke({"topic": topic})
print(result)

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain.chains import ConversationChain
from langchain.memory import ConversationBufferMemory

# LLM, 메모리 설정
model = ChatOpenAI(model="gpt-4o")
memory = ConversationBufferMemory()

# ConversationChain 설정
conversation = ConversationChain(llm=model, memory=memory)

# role 프롬프트 설정, 실행
role_prompt = "You are a highly capable assistant. Always provide helpful and accurate information in korean."
conversation.predict(input=role_prompt)

while True:
    user_input = input("사용자 입력: ")  # 사용자의 입력받기
    if user_input.lower() in ["exit", "quit", "bye"]:  # 대화 종료 조건
        print("Bye!")
        break
    result = conversation.predict(input=user_input)  # 체인 실행
    print(result)

# 전체 메모리 기록 출력
# print(memory.buffer)

from langchain_community.utilities import SQLDatabase
from langchain.chains import create_sql_query_chain
from langchain_openai import ChatOpenAI
from langchain_community.tools.sql_database.tool import QuerySQLDataBaseTool

# SQLite 데이터베이스 Chinook을 기반으로 SQLDatabase 인스턴스 생성
db = SQLDatabase.from_uri("sqlite:///Chinook.db")

# 모델 생성
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)

# SQL 쿼리 실행 도구 설정
execute_query = QuerySQLDataBaseTool(db=db)

# SQL 쿼리 체인 설정
write_query = create_sql_query_chain(llm, db)

from operator import itemgetter
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import PromptTemplate
from langchain_core.runnables import RunnablePassthrough

# 사용자의 질문, SQL 쿼리, SQL 결과를 기반으로 자연어 응답을 작성하는 프롬프트 템플릿 설정
answer_prompt = PromptTemplate.from_template(
    """Given the following user question, corresponding SQL query, and SQL result, answer the user question.

Question: {question}
SQL Query: {query}
SQL Result: {result}
Answer: """
)

# 답변 체인 설정
answer = answer_prompt | llm | StrOutputParser()

chain = (
    RunnablePassthrough.assign(query=write_query).assign( # write_query 실행하여 query에 할당
        result=itemgetter("query") | execute_query # query 값으로 execute_query 실행하여 result에 할당
    )
    | answer # answer 실행, 최종 결과 생성
)

# 사용자 질문 입력, 결과 출력
user_question = input("질문 입력: ")
print(chain.invoke({"question": user_question}))