forked from kolyan288/Chem-LLM
-
Notifications
You must be signed in to change notification settings - Fork 1
/
AgentOllama_task_mode.py
650 lines (504 loc) · 27.9 KB
/
AgentOllama_task_mode.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
import os
import pandas as pd
from torch import cuda
from langchain_core.tools import tool
from langchain.schema import Document
from typing_extensions import TypedDict
from langchain_community.llms import Ollama
from langgraph.graph import END, StateGraph
from langchain.prompts import PromptTemplate
from langchain_community.vectorstores import Chroma
from langchain_core.runnables import RunnableConfig
from langchain_core.prompts import ChatPromptTemplate
from langchain_nomic.embeddings import NomicEmbeddings
from langchain_community.chat_models import ChatOllama
from typing import Any, Dict, List, Optional, TypedDict
from langchain_huggingface import HuggingFaceEmbeddings
from langchain_core.pydantic_v1 import BaseModel, Field
from langchain_core.tools import render_text_description
from langchain_community.document_loaders import WebBaseLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.tools.tavily_search import TavilySearchResults
from langchain_core.output_parsers import JsonOutputParser, StrOutputParser
from llm_utils import MyDoc
def agentollama_task_mode(prompt_value):
"""
Данный агент содержит в себе логику формулировки задачи машинного обучения из запроса пользователя
Агент имеет структуру графа, в узлах которого - большие языковые модели, принимающие решения
для дальнейшей обработки запроса с целью получения ответа, максимально соответствующего запросу
пользователя
input: текстовый запрос
output: ML алгоритм - классификация, регрессия или генерация
При запуске данного скрипта агент выполнится для следующего запроса:
"Нужно предсказать токсичность белков при помощи графовой нейронной сети."
"""
###---------------------------------------OS ENVIRONMENTS-------------------------------------###
with open('API_tokens.txt') as f:
keys = eval(f.read())
os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_ENDPOINT"] = "https://api.smith.langchain.com"
os.environ["LANGCHAIN_API_KEY"] = keys['langchain']
os.environ["NOMIC_API_KEY"] = keys['nomic']
os.environ["TAVILY_API_KEY"] = keys['tavily']
os.environ["OPENAI_API_KEY"] = keys['openai']
mistral_api_key = keys['mistral']
###--------------------------------------BUILD RETRIEVER--------------------------------------###
#local_llm = 'solar'
#local_llm = 'llama3:8b'
local_llm = 'llama3:70b-instruct-q4_K_M'
#local_llm = 'mistral'
folder_path = "RAG_documents/"
texts = []
for filename in os.listdir(folder_path):
if filename.endswith('.txt'):
file_path = os.path.join(folder_path, filename)
with open(file_path, 'r', encoding='utf-8') as file:
texts.append(MyDoc(file.read()))
docs_list = texts
print(len(docs_list))
text_splitter = RecursiveCharacterTextSplitter.from_tiktoken_encoder(chunk_size=1000, chunk_overlap=200)
doc_splits = text_splitter.split_documents(docs_list)
# embed_model_id = 'sentence-transformers/all-MiniLM-L6-v2'
# device = f'cuda:{cuda.current_device()}' if cuda.is_available() else 'cpu'
# embd = HuggingFaceEmbeddings(
# model_name=embed_model_id,
# model_kwargs={'device': device},
# encode_kwargs={'device': device, 'batch_size': 32}
# )
embd = NomicEmbeddings(model="nomic-embed-text-v1.5", inference_mode='local')
vectorstore = Chroma.from_documents(
documents=doc_splits,
collection_name="rag-chroma",
embedding=embd
)
retriever = vectorstore.as_retriever()
###--------------------------------------QUESTION ROUTER--------------------------------------###
llm = ChatOllama(model=local_llm, format="json", temperature=0)
# prompt = PromptTemplate(
# template="""You are an expert at routing a user question to a vectorstore or web search. \n
# Use the vectorstore for questions on LLM agents, prompt engineering, and adversarial attacks. \n
# You do not need to be stringent with the keywords in the question related to these topics. \n
# Otherwise, use web-search. Give a binary choice 'web_search' or 'vectorstore' based on the question. \n
# Return the a JSON with a single key 'datasource' and no premable or explanation. \n
# Question to route: {question}""",
# input_variables=["question"],
# )
prompt = PromptTemplate(
template="""Вы являетесь экспертом в перенаправлении вопросов пользователя в векторную базу данных или в веб-поиск. \n
Используйте векторную базу данных, чтобы задать вопросы об агентах LLM, оперативном проектировании и состязательных атаках. \n
Не нужно быть строгим с ключевыми словами в вопросе, относящемся к этим темам. \n
В противном случае используйте веб-поиск. Дайте двоичный выбор «web_search» или «vectorstore» в зависимости от вопроса. \n
Верните JSON с одним ключом «datasource» без преамбулы или объяснения. \n
Вопрос для направления: {question}""",
input_variables=["question"],
)
question_router = prompt | llm | JsonOutputParser()
###-----------------------------------------BULD GRADER---------------------------------------###
llm = ChatOllama(model=local_llm, format="json", temperature=0)
# prompt = PromptTemplate(
# template="""You are a grader assessing relevance of a retrieved document to a user question. \n
# Here is the retrieved document: \n\n {document} \n\n
# Here is the user question: {question} \n
# If the document contains keywords related to the user question, grade it as relevant. \n
# It does not need to be a stringent test. The goal is to filter out erroneous retrievals. \n
# Give a binary score 'yes' or 'no' score to indicate whether the document is relevant to the question. \n
# Provide the binary score as a JSON with a single key 'score' and no premable or explanation.""",
# input_variables=["question", "document"],
# )
prompt = PromptTemplate(
template="""Вы — оценщик, оценивающий соответствие полученного документа вопросу пользователя. \n
Вот полученный документ: \n\n {document} \n\n
Вот вопрос пользователя: {question} \n
Если документ содержит ключевые слова, связанные с вопросом пользователя, оцените его как релевантный. \n
Это не обязательно должен быть строгий тест. Цель состоит в том, чтобы отфильтровать ошибочные запросы. \n
Дайте двоичную оценку «yes» или no», чтобы указать, имеет ли документ отношение к вопросу. \n
Предоставьте двоичную оценку в формате JSON с одним ключом «score» без преамбулы или пояснений.""",
input_variables=["question", "document"],
)
retrieval_grader = prompt | llm | JsonOutputParser()
###------------------------------------------BUILD RAG----------------------------------------###
class Output(BaseModel):
#model: str #= Field(description=description_models, required=True)
#dataset: str #= Field(description=description_datasets, required=True)
task: list #= Field(description='list of tasks', required=True)
prompt = PromptTemplate(
template = """
Вопрос пользователя: {question}
Ты - русскоязычный ml ассистент.
Тебе нужно построить пайплайн машинного обучения, состоящего из нескольких блоков.
Я тебе в этом помогу. Во-первых, внимательно прочитай текст, данный пользователем,
и разбей его на смысловые куски. Сначала нужно понять, с какой задачей мы имеем дело.
Для определения задачи тебе помогут следующие документы: {documents}
Тебе нужно понять, какую задачу хочет решить пользователь и дать ответ в формате JSON.
JSON должен содержать следующие поля, основываять на тексте пользователя,
с возможными значениями:
'task_mode': [Задача, которая должна решаться пользователем],
Ответом должен быть исключительно JSON. В
Создайте словарь в формате JSON, где ключ 'task_mode' связан со строкой, которая обозначает ту
или иную задачу. Выбирать ты можешь исключительно одну из трех задач: 'classification', 'regression', 'generation'
Если нет уверенности в значении какого либо поля - ставь null.
""",
input_variables=["question", "documents"],
)
llm = ChatOllama(model=local_llm, format = 'json', temperature=0)
#llm = ChatMistralAI(model="mistral-large-latest")
def format_docs(docs):
return "\n\n".join(doc.page_content for doc in docs)
rag_chain = prompt | llm | JsonOutputParser()
###------------------------------------HALLUCINATION GRADER-----------------------------------###
llm = ChatOllama(model=local_llm, format="json", temperature=0)
# prompt = PromptTemplate(
# template="""You are a grader assessing whether an answer is grounded in / supported by a set of facts. \n
# Here are the facts:
# \n ------- \n
# {documents}
# \n ------- \n
# Here is the answer: {generation}
# Give a binary score 'yes' or 'no' score to indicate whether the answer is grounded in / supported by a set of facts. \n
# Provide the binary score as a JSON with a single key 'score' and no preamble or explanation.""",
# input_variables=["generation", "documents"],
# )
prompt = PromptTemplate(
template="""Вы оценщик, оценивающий, основан ли ответ на наборе фактов или подкреплен им. \n
Вот факты:
\n ------- \n
{documents}
\n ------- \n
Вот ответ: {generation}
Присвойте двоичную оценку «yes» или «no», чтобы указать, основан ли ответ на наборе фактов или подкреплен им. \n
Предоставьте двоичную оценку в формате JSON с одним ключом «score» без преамбулы или пояснений. \n
Ты ОБЯЗАН поставить оценку 'yes' когда ответ представляет собой \n
Словарь python, в котором есть ключ 'task_mode', а значение - 'classification', 'regression' или 'generation'\n """,
input_variables=["generation", "documents"],
)
hallucination_grader = prompt | llm | JsonOutputParser()
###----------------------------------------ANSWER GRADER--------------------------------------###
llm = ChatOllama(model=local_llm, format="json", temperature=0)
# prompt = PromptTemplate(
# template="""You are a grader assessing whether an answer is useful to resolve a question. \n
# Here is the answer:
# \n ------- \n
# {generation}
# \n ------- \n
# Here is the question: {question}
# Give a binary score 'yes' or 'no' to indicate whether the answer is useful to resolve a question. \n
# Provide the binary score as a JSON with a single key 'score' and no preamble or explanation.""",
# input_variables=["generation", "question"],
# )
prompt = PromptTemplate(
template="""Вы оценщик, оценивающий, полезен ли ответ для решения вопроса. \n
Вот ответ:
\n ------- \n
{generation}
\n ------- \n
Вот вопрос: {question}
Дайте двоичную оценку «yes» или «no», чтобы указать, полезен ли ответ для решения вопроса. \n
Предоставьте двоичную оценку в формате JSON с одним ключом «score» без преамбулы или пояснений. \n
Ты ОБЯЗАН поставить оценку 'yes' когда ответ представляет собой \n
JSON Output, в котором есть ключ 'task_mode', а значение - 'classification', 'regression' или 'generation'\n
""",
input_variables=["generation", "question"],
)
answer_grader = prompt | llm | JsonOutputParser()
###--------------------------------------QUESTION REWRITER------------------------------------###
llm = ChatOllama(model=local_llm, temperature=0)
# re_write_prompt = PromptTemplate(
# template="""You a question re-writer that converts an input question to a better version that is optimized \n
# for vectorstore retrieval. Look at the initial and formulate an improved question. \n
# Here is the initial question: \n\n {question}. Improved question with no preamble: \n """,
# input_variables=["generation", "question"],
# )
re_write_prompt = PromptTemplate(
template="""Вы переписываете вопрос, который преобразует входной вопрос в лучшую версию, оптимизированную \n
для поиска в векторном хранилище. Посмотрите на исходную и сформулируйте улучшенный вопрос. \n
Вот первоначальный вопрос: \n\n {question}. Улучшенный вопрос без преамбулы: \n""",
input_variables=["generation", "question"],
)
question_rewriter = re_write_prompt | llm | StrOutputParser()
###-----------------------------------BUILD WEB SEARCH TOOL-----------------------------------###
web_search_tool = TavilySearchResults(k=3)
class GraphState(TypedDict):
"""
Represents the state of our graph.
Attributes:
question: question
generation: LLM generation
documents: list of documents
"""
question: str
generation: str
documents: List[str]
###-------------------------------------BUILD GRAPH NODES-------------------------------------###
def retrieve(state):
"""
Retrieve documents
Args:
state (dict): The current graph state
Returns:
state (dict): New key added to state, documents, that contains retrieved documents
"""
print("---РЕТРИВЕР---")
question = state["question"]
# Retrieval
documents = retriever.invoke(question)
#documents = docs_list
return {"documents": documents, "question": question}
def generate(state):
"""
Generate answer
Args:
state (dict): The current graph state
Returns:
state (dict): New key added to state, generation, that contains LLM generation
"""
print("---ГЕНЕРАЦИЯ---")
question = state["question"]
documents = state["documents"]
# RAG generation
generation = rag_chain.invoke({"documents": documents, "question": question})
print(generation)
return {"documents": documents, "question": question, "generation": generation}
def grade_documents(state):
"""
Determines whether the retrieved documents are relevant to the question.
Args:
state (dict): The current graph state
Returns:
state (dict): Updates documents key with only filtered relevant documents
"""
print("---ПРОВЕРКА РЕЛЕВАНТНОСТИ ДОКУМЕНТОВ---")
question = state["question"]
documents = state["documents"]
# Score each doc
filtered_docs = []
for d in documents:
score = retrieval_grader.invoke(
{"question": question, "document": d.page_content}
)
grade = score["score"]
if grade == "yes":
print("---GRADE: ДОКУМЕНТ РЕЛЕВАНТНЫЙ---")
filtered_docs.append(d)
else:
print("---GRADE: ДОКУМЕНТ НЕРЕЛЕВАНТНЫЙ---")
continue
return {"documents": filtered_docs, "question": question}
def transform_query(state):
"""
Transform the query to produce a better question.
Args:
state (dict): The current graph state
Returns:
state (dict): Updates question key with a re-phrased question
"""
print("---ПЕРЕФОРМУЛИРОВКА ВОПРОСА---")
question = state["question"]
documents = state["documents"]
# Re-write question
better_question = question_rewriter.invoke({"question": question})
print(better_question)
return {"documents": documents, "question": better_question}
def web_search(state):
"""
Web search based on the re-phrased question.
Args:
state (dict): The current graph state
Returns:
state (dict): Updates documents key with appended web results
"""
print("---ВЕБ ПОИСК---")
question = state["question"]
# Web search
docs = web_search_tool.invoke({"query": question})
web_results = "\n".join([d["content"] for d in docs])
web_results = Document(page_content=web_results)
return {"documents": web_results, "question": question}
###-------------------------------------BUILD GRAPH EDGES-------------------------------------###
def route_question(state):
"""
Route question to web search or RAG.
Args:
state (dict): The current graph state
Returns:
str: Next node to call
"""
print("---АДРЕСАЦИЯ ПОЛУЧЕННОГО ВОПРОСА---")
question = state["question"]
print(question)
source = question_router.invoke({"question": question})
print(source)
print(source["datasource"])
if source["datasource"] == "web_search":
print("---ВОПРОС АДРЕСОВАН К ВЕБ-ПОИСКУ---")
return "web_search"
elif source["datasource"] == "vectorstore":
print("---ВОПРОС АДРЕСОВАН К ВЕКТОРНОМУ ХРАНИЛИЩУ---")
return "vectorstore"
def decide_to_generate(state):
"""
Determines whether to generate an answer, or re-generate a question.
Args:
state (dict): The current graph state
Returns:
str: Binary decision for next node to call
"""
print("---ПРОЦЕСС ОЦЕНИВАНИЯ ДОКУМЕНТОВ---")
state["question"]
filtered_documents = state["documents"]
if not filtered_documents:
# All documents have been filtered check_relevance
# We will re-generate a new query
print(
"---РЕШЕНИЕ: ВСЕ ДОКУМЕНТЫ НЕРЕЛЕВАНТНЫ, ПЕРЕФОРМУЛИРОВКА ВОПРОСА---"
)
return "transform_query"
else:
# We have relevant documents, so generate answer
print("---РЕШЕНИЕ: ГЕНЕРАЦИЯ---")
return "generate"
def grade_generation_v_documents_and_question(state):
"""
Determines whether the generation is grounded in the document and answers question.
Args:
state (dict): The current graph state
Returns:
str: Decision for next node to call
"""
print("---ПРОВЕРКА НА ГАЛЛЮЦИНАЦИИ---")
question = state["question"]
documents = state["documents"]
generation = state["generation"]
print(generation)
score = hallucination_grader.invoke(
{"documents": documents, "generation": generation}
)
grade = score["score"]
# Check hallucination
if grade == "yes":
print("---РЕШЕНИЕ: ГЕНЕРАЦИЯ СООТВЕТСТВУЕТ ОТОБРАННЫМ ДОКУМЕНТАМ---")
# Check question-answering
print("---ОЦЕНКА СГЕНЕРИРОВАННОГО ОТВЕТА И ВОПРОСА---")
score = answer_grader.invoke({"question": question, "generation": generation})
grade = score["score"]
if grade == "yes":
print("---РЕШЕНИЕ: ГЕНЕРАЦИЯ СООТВЕТСТВУЕТ ВОПРОСУ---")
return "useful"
else:
print("---РЕШЕНИЕ: ГЕНЕРАЦИЯ НЕ СООТВЕТСТВУЕТ ВОПРОСУ---")
return "not useful"
else:
print(grade)
print("---РЕШЕНИЕ: ГЕНЕРАЦИЯ НЕ СООТВЕТСВУЕТ ОТОБРАННЫМ ДОКУМЕНТАМ---")
return "not supported"
###----------------------------------------BUILD GRAPH----------------------------------------###
workflow = StateGraph(GraphState)
workflow.add_node("web_search", web_search) # web search
workflow.add_node("retrieve", retrieve) # retrieve
workflow.add_node("grade_documents", grade_documents) # grade documents
workflow.add_node("generate", generate) # generate
workflow.add_node("transform_query", transform_query) # transform_query
workflow.set_conditional_entry_point(
route_question,
{
"web_search": "web_search",
"vectorstore": "retrieve",
},
)
workflow.add_edge("web_search", "generate")
workflow.add_edge("retrieve", "grade_documents")
workflow.add_conditional_edges(
"grade_documents",
decide_to_generate,
{
"transform_query": "transform_query",
"generate": "generate",
},
)
workflow.add_edge("transform_query", "retrieve")
workflow.add_conditional_edges(
"generate",
grade_generation_v_documents_and_question,
{
"not supported": "transform_query",
"useful": END,
"not useful": "transform_query",
},
)
app = workflow.compile()
###-------------------------------------------RUN APP-----------------------------------------###
my_prompt = prompt_value + ' Выбери на основании этого запроса задачу, которую нужно решить: classification, regression или generation'
inputs = {"question": my_prompt}
for output in app.stream(inputs):
for key, value in output.items():
# Node
print(f"Node '{key}':")
# Optional: print full state at each node
# pprint.pprint(value["keys"], indent=2, width=80, depth=None)
print('\n---\n')
# Final generation
print(value["generation"])
###---------------------------------------WORK WITH TOOLS-------------------------------------###
output = value['generation']
@tool
def start_generation():
"""If you are sure that a generative algorithm
is needed to solve a given problem,
run the "start_generation" function"""
print('***ЗАПУЩЕН ГЕНЕРАТИВНЫЙ АЛГОРИТМ***')
df = pd.read_csv('dataset.csv')
print(df.head())
@tool
def start_classification():
"""If you are sure that a classification algorithm
is needed to solve a given problem,
run the "start_classification" function"""
print('***ЗАПУЩЕН АЛГОРИТМ КЛАССИФИКАЦИИ***')
df = pd.read_csv('dataset.csv')
print(df.head())
@tool
def start_regression():
"""If you are sure that a regression algorithm
is needed to solve a given problem,
run the "start_classification" function"""
print('***ЗАПУЩЕН АЛГОРИТМ РЕГРЕССИИ***')
df = pd.read_csv('dataset.csv')
print(df.head())
tools = [start_generation, start_classification, start_regression]
model = Ollama(model="llama3:8b")
rendered_tools = render_text_description(tools)
system_prompt = f"""\
You are an assistant that has access to the following set of tools.
Here are the names and descriptions for each tool:
{rendered_tools}
Given the user input, return the name and input of the tool to use.
Return your response as a JSON blob with 'name' and 'arguments' keys.
The `arguments` should be a dictionary, with keys corresponding
to the argument names and the values corresponding to the requested values.
You must write JSON in one line so that the parser can recognize it
"""
prompt = ChatPromptTemplate.from_messages(
[("system", system_prompt), ("user", "{input}")]
)
class ToolCallRequest(TypedDict):
"""A typed dict that shows the inputs into the invoke_tool function."""
name: str
arguments: Dict[str, Any]
def invoke_tool(tool_call_request: ToolCallRequest, config: Optional[RunnableConfig] = None):
"""A function that we can use the perform a tool invocation.
Args:
tool_call_request: a dict that contains the keys name and arguments.
The name must match the name of a tool that exists.
The arguments are the arguments to that tool.
config: This is configuration information that LangChain uses that contains
things like callbacks, metadata, etc.See LCEL documentation about RunnableConfig.
Returns:
output from the requested tool
"""
tool_name_to_tool = {tool.name: tool for tool in tools}
name = tool_call_request["name"]
requested_tool = tool_name_to_tool[name]
return requested_tool.invoke(tool_call_request["arguments"], config=config)
chain = prompt | model | JsonOutputParser() | invoke_tool
chain.invoke({"input": output})
if __name__ == '__main__':
agentollama_task_mode("Нужно предсказать токсичность белков при помощи графовой нейронной сети")