Урок из полного доступа, первые уроки курса бесплатно Официальный курс Gemini API Cookbook на русском
Урок 54 · Текст · ~5 мин

Анализ кода с LangChain и DeepLake

Урок 54 из 84 курса «Gemini API: примеры использования»: официальный курс Gemini API Cookbook (Гугл Джемини) на русском языке. Урок входит в платный доступ; первые уроки курса бесплатно.

О чём урок

Примечание: Для корректной работы этого notebook требуются лимиты скорости платного уровня (paid tier rate limits). (см. цены для получения более подробной информации).

Этот notebook демонстрирует, как использовать Gemini API с Langchain и DeepLake для анализа кода. Этот notebook научит вас:

  • загрузке и разделению файлов
  • созданию базы данных DeepLake с информацией об embedding
  • настройке цепочки retrieval QA

Чтобы запустить следующую cell, ваш API key должен быть сохранен в Colab Secret с именем GEMINI_API_KEY. Если у вас еще нет API key или вы не знаете, как создать Colab Secret, см. Аутентификация для примера.

Сначала загрузите репозиторий langchain-google. Это репозиторий, который вы будете анализировать в этом примере.

Он содержит код, интегрирующий Gemini API, VertexAI и другие продукты Google с langchain.

Этот пример будет сосредоточен только на интеграции Gemini API с langchain и игнорирует остальную часть codebase.

Каждый файл с соответствующим путем будет загружен и разделен с помощью RecursiveCharacterTextSplitter. В этом примере указано, что файлы написаны на Python. Это помогает разделять файлы, избегая документов, которым не хватает контекста.

Enum Language предоставляет общие разделители, используемые в большинстве популярных языков программирования, что снижает вероятность разделения классов или функций посередине.

Данные будут загружены в memory, поскольку в данном случае база данных не должна быть постоянной и достаточно мала, чтобы поместиться.

Тип используемого storage указывается префиксом в пути, в данном случае mem://.

Другие типы storage можно посмотреть здесь.

Все необходимое готово, и теперь вы можете создать базу данных. Это не должно занять более нескольких секунд.

Настройте document retriever.

Теперь вы можете создать chain для Question Answering. В этом случае будет использоваться chain RetrievalQA.

Если вы хотите использовать опцию chat вместо этого, используйте ConversationalRetrievalChain.

Chain готова отвечать на ваши вопросы.

ПРИМЕЧАНИЕ: Markdown используется для улучшения форматирования output.

Gemini API отлично работает с Langchain. Интеграция бесшовна и предоставляет простой интерфейс для:

  • загрузки и разделения файлов
  • создания базы данных…

План урока

  1. Загрузка зависимостей
  2. Настройка вашего API key
  3. Подготовка файлов
  4. Создание базы данных
  5. Ответы на вопросы (Question Answering)
  6. Резюме
  7. Что дальше?

Урок входит в полный доступ. Полный текст и видео открываются после оплаты. Первые уроки каждого курса бесплатны.

Откройте полный доступ

Вы прошли бесплатные уроки. Выберите тариф, чтобы продолжить обучение.

Курсы Google Gemini 1 490 ₽ Разовый платёж, навсегда
  • Все курсы от Google Gemini (2 шт.)
  • Именной сертификат по каждому пройденному курсу
Оплатить
Полный доступ 4 900 ₽ Разовый платёж, навсегда
  • Все 77 курсов от 11 AI-провайдеров
  • Библиотека промптов и новые курсы
Оплатить

Безопасная оплата через Robokassa: СБП, карты, электронные кошельки. Доступ откроется в этом браузере и придёт письмом. Уже оплатили? Восстановить доступ

Урок входит в темы

Полезные гиды