Obraz autorstwa redaktora
Modele wielkojęzyczne (LLM), takie jak GPT-3 firmy OpenAI, BERT firmy Google i LLaMA firmy Meta, rewolucjonizują różne sektory dzięki możliwości generowania szerokiego zakresu tekstu – od tekstów marketingowych i skryptów do analizy danych po poezję.
Mimo że intuicyjny interfejs ChatGPT jest już dostępny na urządzeniach większości ludzi, nadal istnieje ogromny obszar niewykorzystanego potencjału wykorzystania LLM w różnorodnych integracjach oprogramowania.
Główny problem?
Większość aplikacji wymaga bardziej płynnej i natywnej komunikacji z LLM.
I właśnie tu wkracza LangChain!
Jeśli interesują Cię generatywne AI i LLM, ten samouczek jest specjalnie dla Ciebie.
A więc zacznijmy!
Na wypadek, gdybyś mieszkał w jaskini i nie dostałeś ostatnio żadnych wiadomości, pokrótce wyjaśnię modele wielkojęzykowe, czyli LLM.
LLM to wyrafinowany system sztucznej inteligencji zbudowany w celu naśladowania rozumienia i generowania tekstu na poziomie ludzkim. Dzięki uczeniu się na ogromnych zbiorach danych modele te rozpoznają skomplikowane wzorce, wychwytują subtelności językowe i generują spójne wyniki.
Jeśli zastanawiasz się, jak wchodzić w interakcję z modelami opartymi na sztucznej inteligencji, możesz to zrobić na dwa główne sposoby:
- Najbardziej powszechnym i bezpośrednim sposobem jest rozmowa lub pogawędka z modelem. Polega na utworzeniu podpowiedzi, wysłaniu jej do modelu opartego na sztucznej inteligencji i uzyskaniu w odpowiedzi tekstu wyjściowego.
- Inną metodą jest konwersja tekstu na tablice numeryczne. Proces ten polega na utworzeniu podpowiedzi dla sztucznej inteligencji i otrzymaniu w zamian tablicy numerycznej. To, co jest powszechnie znane jako „osadzanie”. Ostatnio nastąpił gwałtowny wzrost liczby wektorowych baz danych i wyszukiwania semantycznego.
I właśnie te dwa główne problemy próbuje rozwiązać LangChain. Jeśli interesują Cię główne problemy interakcji z LLM, możesz sprawdzić ten artykuł tutaj.
LangChain to platforma typu open source zbudowana wokół LLM. Dostarcza arsenał narzędzi, komponentów i interfejsów, które usprawniają architekturę aplikacji opartych na LLM.
Dzięki LangChain praca z modelami językowymi, łączenie różnych komponentów i włączanie zasobów, takich jak interfejsy API i bazy danych, staje się dziecinnie proste. Ta intuicyjna platforma znacznie upraszcza proces tworzenia aplikacji LLM.
Podstawową ideą Long Chain jest to, że możemy łączyć ze sobą różne komponenty lub moduły, zwane również łańcuchami, w celu tworzenia bardziej wyrafinowanych rozwiązań opartych na LLM.
Oto kilka wyróżniających się funkcji LangChain:
- Konfigurowalne szablony podpowiedzi w celu standaryzacji naszych interakcji.
- Komponenty ogniw łańcucha dostosowane do wyrafinowanych zastosowań.
- Bezproblemowa integracja z wiodącymi modelami językowymi, w tym GPT OpenAI i tymi w HuggingFace Hub.
- Modułowe komponenty umożliwiające podejście typu „mieszaj i dopasowuj” w celu oceny dowolnego konkretnego problemu lub zadania.
Zdjęcie autora
LangChain wyróżnia się skupieniem na możliwościach adaptacji i modułowej konstrukcji.
Główną ideą LangChain jest podzielenie sekwencji przetwarzania języka naturalnego na poszczególne części, umożliwiając programistom dostosowywanie przepływów pracy w oparciu o ich wymagania.
Taka wszechstronność pozycjonuje LangChain jako doskonały wybór do tworzenia rozwiązań AI w różnych sytuacjach i branżach.
Do najważniejszych jego elementów należą…
Zdjęcie autora
1. LLM
LLM to podstawowe komponenty, które wykorzystują ogromne ilości danych szkoleniowych do zrozumienia i wygenerowania tekstu podobnego do ludzkiego. Stanowią one podstawę wielu operacji w ramach LangChain, zapewniając niezbędne możliwości przetwarzania języka w celu analizowania, interpretowania i reagowania na wprowadzany tekst.
Stosowanie: Zasilanie chatbotów, generowanie tekstu podobnego do ludzkiego do różnych zastosowań, pomoc w wyszukiwaniu informacji i przetwarzanie innych języków
2. Szablony podpowiedzi
Podpowiedzi mają fundamentalne znaczenie dla interakcji z LLM, a podczas pracy nad konkretnymi zadaniami ich struktura jest zwykle podobna. Szablony podpowiedzi, czyli gotowe podpowiedzi, których można używać w różnych łańcuchach, umożliwiają standaryzację „podpowiedzi” poprzez dodanie określonych wartości. Zwiększa to możliwości adaptacji i dostosowywania dowolnego LLM.
Stosowanie: Standaryzacja procesu interakcji z LLM.
3. Parsery wyjściowe
Parsery wyjściowe to komponenty, które pobierają surowe dane wyjściowe z poprzedniego etapu łańcucha i konwertują je na format strukturalny. Te ustrukturyzowane dane można następnie efektywniej wykorzystać na kolejnych etapach lub dostarczyć jako odpowiedź użytkownikowi końcowemu.
Stosowanie: Na przykład w chatbocie parser wyjściowy może pobrać surową odpowiedź tekstową z modelu językowego, wyodrębnić kluczowe fragmenty informacji i sformatować je w ustrukturyzowaną odpowiedź.
4. Komponenty i łańcuchy
W LangChain każdy komponent pełni rolę modułu odpowiedzialnego za określone zadanie w sekwencji przetwarzania języka. Elementy te można łączyć w formę więzy dla niestandardowych przepływów pracy.
Stosowanie: Generowanie łańcuchów wykrywania nastrojów i generatorów odpowiedzi w konkretnym chatbocie.
5. Pamięć
Pamięć w LangChain odnosi się do komponentu, który zapewnia mechanizm przechowywania i wyszukiwania informacji w ramach przepływu pracy. Ten komponent umożliwia tymczasowe lub trwałe przechowywanie danych, do których inne komponenty mogą uzyskać dostęp i którymi mogą manipulować podczas interakcji z LLM.
Stosowanie: Jest to przydatne w scenariuszach, w których dane muszą być przechowywane na różnych etapach przetwarzania, na przykład podczas przechowywania historii rozmów w chatbocie w celu zapewnienia odpowiedzi kontekstowych.
6. Agenci
Agenci to autonomiczne komponenty zdolne do podejmowania działań na podstawie przetwarzanych przez siebie danych. Mogą wchodzić w interakcje z innymi komponentami, systemami zewnętrznymi lub użytkownikami, aby wykonywać określone zadania w ramach przepływu pracy LangChain.
Stosowanie: Na przykład agent może obsługiwać interakcje użytkownika, przetwarzać przychodzące żądania i koordynować przepływ danych w łańcuchu w celu wygenerowania odpowiednich odpowiedzi.
7. Indeksy i aportery
Indeksy i programy pobierające odgrywają kluczową rolę w efektywnym zarządzaniu danymi i uzyskiwaniu do nich dostępu. Indeksy to struktury danych przechowujące informacje i metadane z danych szkoleniowych modelu. Z drugiej strony aportery to mechanizmy, które wchodzą w interakcję z tymi indeksami w celu pobrania odpowiednich danych w oparciu o określone kryteria i umożliwienia modelowi lepszej odpowiedzi poprzez dostarczenie odpowiedniego kontekstu.
Stosowanie: Odgrywają kluczową rolę w szybkim pobieraniu odpowiednich danych lub dokumentów z dużego zbioru danych, co jest niezbędne do zadań takich jak wyszukiwanie informacji lub odpowiadanie na pytania.
8. Dokument Transformatory
W LangChain Document Transformers to wyspecjalizowane komponenty przeznaczone do przetwarzania i przekształcania dokumentów w taki sposób, aby nadawały się do dalszej analizy lub przetwarzania. Transformacje te mogą obejmować zadania takie jak normalizacja tekstu, ekstrakcja cech lub konwersja tekstu na inny format.
Stosowanie: Przygotowanie danych tekstowych do kolejnych etapów przetwarzania, takich jak analiza za pomocą modeli uczenia maszynowego lub indeksowanie w celu sprawnego wyszukiwania.
9. Osadzanie modeli
Służą do konwersji danych tekstowych na wektory numeryczne w przestrzeni wielowymiarowej. Modele te wychwytują relacje semantyczne między słowami i frazami, umożliwiając ich reprezentację do odczytu maszynowego. Stanowią one podstawę dla różnych dalszych zadań przetwarzania języka naturalnego (NLP) w ekosystemie LangChain.
Stosowanie: Ułatwianie wyszukiwań semantycznych, porównań podobieństw i innych zadań związanych z uczeniem maszynowym poprzez zapewnienie numerycznej reprezentacji tekstu.
10. Sklepy wektorowe
Typ systemu baz danych specjalizujący się w przechowywaniu i wyszukiwaniu informacji poprzez osadzanie, zasadniczo analizując numeryczne reprezentacje danych tekstowych. VectorStore służy jako miejsce przechowywania tych osadów.
Stosowanie: Umożliwienie efektywnego wyszukiwania w oparciu o podobieństwo semantyczne.
Instalacja za pomocą PIP
Pierwszą rzeczą, którą musimy zrobić, to upewnić się, że mamy zainstalowany LangChain w naszym środowisku.
pip install langchain
Konfiguracja środowiska
Korzystanie z LangChain zazwyczaj oznacza integrację z różnymi dostawcami modeli, magazynami danych, interfejsami API i innymi komponentami. A jak już wiesz, jak każda integracja, dostarczenie odpowiednich i poprawnych kluczy API jest kluczowe dla działania LangChaina.
Wyobraź sobie, że chcemy korzystać z naszego API OpenAI. Możemy to łatwo osiągnąć na dwa sposoby:
- Konfigurowanie klucza jako zmiennej środowiskowej
OPENAI_API_KEY="..."
or
import os
os.environ['OPENAI_API_KEY'] = “...”
Jeśli zdecydujesz się nie ustanawiać zmiennej środowiskowej, możesz podać klucz bezpośrednio poprzez parametr o nazwie openai_api_key podczas inicjowania klasy OpenAI LLM:
- Skonfiguruj klucz bezpośrednio w odpowiedniej klasie.
from langchain.llms import OpenAI
llm = OpenAI(openai_api_key="...")
Przełączanie między LLM staje się proste
LangChain udostępnia klasę LLM, która pozwala nam na interakcję z różnymi dostawcami modeli językowych, takimi jak OpenAI i Hugging Face.
Rozpoczęcie pracy z dowolnym LLM jest dość łatwe, ponieważ najbardziej podstawową i najłatwiejszą do wdrożenia funkcją dowolnego LLM jest po prostu generowanie tekstu.
Jednak jednoczesne zadawanie tego samego pytania różnym LLM nie jest takie proste.
Tutaj właśnie rozpoczyna się akcja LangChain…
Wracając do najłatwiejszej funkcjonalności dowolnego LLM, możemy łatwo zbudować aplikację za pomocą LangChain, która otrzyma monit w postaci ciągu znaków i zwróci dane wyjściowe naszego wyznaczonego LLM.
Kod autora
Możemy po prostu użyć tego samego podpowiedzi i uzyskać odpowiedź dwóch różnych modeli w ciągu kilku linijek kodu!
Kod autora
Imponujące… prawda?
Nadanie struktury naszym podpowiedziom za pomocą szablonów podpowiedzi
Częstym problemem związanym z modelami językowymi (LLM) jest ich niezdolność do eskalacji złożonych aplikacji. LangChain rozwiązuje ten problem, oferując rozwiązanie usprawniające proces tworzenia podpowiedzi, który często jest bardziej skomplikowany niż samo zdefiniowanie zadania, ponieważ wymaga nakreślenia osobowości sztucznej inteligencji i zapewnienia zgodności z faktami. Znaczna część tego dotyczy powtarzającego się szablonowego tekstu. LangChain rozwiązuje ten problem, oferując szablony podpowiedzi, które automatycznie dołączają standardowy tekst do nowych podpowiedzi, upraszczając w ten sposób tworzenie podpowiedzi i zapewniając spójność między różnymi zadaniami.
Kod autora
Uzyskiwanie uporządkowanych odpowiedzi za pomocą analizatorów wyjściowych
W interakcjach opartych na czacie wyjściem modelu jest jedynie tekst. Jednak w aplikacjach preferowane jest posiadanie uporządkowanego wyniku, ponieważ pozwala na dalsze działania programistyczne. Na przykład podczas generowania zbioru danych pożądane jest otrzymanie odpowiedzi w określonym formacie, takim jak CSV lub JSON. Zakładając, że można stworzyć monit w celu uzyskania spójnej i odpowiednio sformatowanej odpowiedzi ze strony sztucznej inteligencji, potrzebne są narzędzia do zarządzania tymi wynikami. LangChain spełnia ten wymóg, oferując narzędzia analizatora wyników do efektywnej obsługi i wykorzystania ustrukturyzowanych wyników.
Kod autora
Możesz sprawdzić cały kod na moim GitHub.
Nie tak dawno temu zaawansowane możliwości ChatGPT zrobiły na nas wrażenie. Jednak środowisko technologiczne ciągle się zmienia i teraz narzędzia takie jak LangChain są na wyciągnięcie ręki, co pozwala nam stworzyć wyjątkowe prototypy z naszych komputerów osobistych w ciągu zaledwie kilku godzin.
LangChain, ogólnodostępna platforma Pythona, umożliwia użytkownikom tworzenie aplikacji opartych na LLM (modelach modeli językowych). Platforma ta zapewnia elastyczny interfejs do różnych podstawowych modeli, usprawniając szybką obsługę i działając jako ogniwo dla takich elementów, jak szablony podpowiedzi, więcej LLM, informacje zewnętrzne i inne zasoby za pośrednictwem agentów, zgodnie z aktualną dokumentacją.
Wyobraź sobie chatboty, asystentów cyfrowych, narzędzia do tłumaczenia języków i narzędzia do analizy nastrojów; wszystkie te aplikacje obsługujące LLM ożywają dzięki LangChain. Programiści wykorzystują tę platformę do tworzenia niestandardowych rozwiązań modeli językowych spełniających różne wymagania.
W miarę poszerzania się horyzontu przetwarzania języka naturalnego i pogłębiania się jego zastosowania, obszar jego zastosowań wydaje się nieograniczony.
Józefa Ferrera jest inżynierem analitykiem z Barcelony. Ukończył inżynierię fizyki i obecnie pracuje w dziedzinie Data Science stosowanej do mobilności ludzi. Jest twórcą treści w niepełnym wymiarze godzin, koncentrującym się na analizie danych i technologii. Możesz skontaktować się z nim na LinkedIn, Twitter or Średni.
- Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
- PlatoData.Network Pionowe generatywne AI. Wzmocnij się. Dostęp tutaj.
- PlatoAiStream. Inteligencja Web3. Wiedza wzmocniona. Dostęp tutaj.
- PlatonESG. Węgiel Czysta technologia, Energia, Środowisko, Słoneczny, Gospodarowanie odpadami. Dostęp tutaj.
- Platon Zdrowie. Inteligencja w zakresie biotechnologii i badań klinicznych. Dostęp tutaj.
- Źródło: https://www.kdnuggets.com/how-to-make-large-language-models-play-nice-with-your-software-using-langchain?utm_source=rss&utm_medium=rss&utm_campaign=how-to-make-large-language-models-play-nice-with-your-software-using-langchain
- :ma
- :Jest
- :nie
- :Gdzie
- $W GÓRĘ
- 7
- a
- zdolność
- dostęp
- Dostęp
- wykonać
- precyzja
- w poprzek
- gra aktorska
- działania
- Dzieje Apostolskie
- dodanie
- adres
- Adresy
- adresowanie
- Przyjęcie
- zaawansowany
- Agent
- agentów
- temu
- AI
- Zasilany AI
- Wszystkie kategorie
- dopuszczać
- Pozwalać
- pozwala
- już
- również
- wśród
- kwoty
- an
- analiza
- analityka
- w czasie rzeczywistym sprawiają,
- Analizując
- zakotwiczony
- i
- każdy
- api
- Pszczoła
- Zastosowanie
- Application Development
- aplikacje
- stosowany
- podejście
- właściwy
- architektura
- SĄ
- na około
- Szyk
- Arsenał
- artykuł
- sztuczny
- sztuczna inteligencja
- AS
- pytanie
- oszacować
- Aktywa
- asystenci
- At
- autonomiczny
- dostępny
- GROZA
- z powrotem
- Barcelona
- na podstawie
- podstawowy
- BE
- stają się
- staje się
- być
- za
- Ulepsz Swój
- pomiędzy
- Boundless
- Przełamując
- krótko
- Przynosi
- budować
- Budowanie
- wybudowany
- by
- CAN
- możliwości
- zdolny
- zdobyć
- walizka
- Etui
- caters
- jaskinia
- łańcuch
- więzy
- chatbot
- nasze chatboty
- ChatGPT
- na czacie
- ZOBACZ
- wybór
- Dodaj
- klasa
- kod
- ZGODNY
- jak
- wspólny
- powszechnie
- Komunikacja
- porównania
- kompleks
- składnik
- składniki
- komputery
- Skontaktuj się
- połączony
- zgodny
- skontaktuj się
- zawartość
- kontekst
- Rozmowa
- Konwersja
- konwertować
- 轉換
- koordynować
- rdzeń
- skorygowania
- rzemiosło
- wykonane
- Stwórz
- Tworzenie
- tworzenie
- twórca
- Kryteria
- istotny
- Aktualny
- Obecnie
- dostosowywanie
- dostosować
- dostosowane
- dane
- nauka danych
- zestawy danych
- Baza danych
- Bazy danych
- pogłębia się
- definiowanie
- dostarczona
- dostarcza
- Wnętrze
- wyznaczony
- zaprojektowany
- życzenia
- Wykrywanie
- rozwijać
- deweloperzy
- oprogramowania
- urządzenia
- różne
- cyfrowy
- kierować
- bezpośrednio
- rozeznać
- odrębny
- Wybitny
- inny
- do
- dokument
- dokumentacja
- dokumenty
- na dół
- podczas
- każdy
- Najprostszym
- z łatwością
- łatwo
- Ekosystem
- faktycznie
- wydajny
- skutecznie
- Elementy
- osadzanie
- umożliwiając
- zakończenia
- ujmujący
- inżynier
- Inżynieria
- Poprawia
- ogromny
- zapewnienie
- Środowisko
- zwiększać
- niezbędny
- istotnie
- zapewniają
- Eter (ETH)
- ciągle się zmienia
- przykład
- rozszerza się
- doświadczony
- Wyjaśniać
- zewnętrzny
- wyciąg
- ekstrakcja
- Twarz
- Łatwość
- Faktyczny
- Cecha
- Korzyści
- kilka
- pole
- koniuszki palców
- i terminów, a
- elastyczne
- pływ
- płyn
- Skupiać
- koncentruje
- W razie zamówieenia projektu
- Nasz formularz
- format
- Fundacja
- Podstawowy
- Framework
- swobodnie
- od
- Funkcjonalność
- fundamentalny
- dalej
- Generować
- generujący
- generacja
- generatywny
- generatywna sztuczna inteligencja
- generator
- otrzymać
- miejsce
- Go
- Google'a
- chwycić
- ręka
- uchwyt
- Prowadzenie
- Have
- mający
- he
- go
- historia
- przytrzymanie
- horyzont
- GODZINY
- W jaki sposób
- How To
- HTTPS
- Piasta
- Przytulanie twarzy
- człowiek
- CHORY
- pomysł
- if
- importować
- ważny
- in
- niemożność
- zawierać
- Włącznie z
- Przybywający
- włączenie
- indeksy
- indywidualny
- przemysłowa
- Informacja
- inicjowanie
- wkład
- zainstalować
- przykład
- instrumentalny
- Integracja
- integracja
- integracje
- Inteligencja
- interakcji
- interakcji
- wzajemne oddziaływanie
- Interakcje
- zainteresowany
- Interfejs
- interfejsy
- łączenie
- najnowszych
- zawiły
- intuicyjny
- dotyczy
- problem
- IT
- JEGO
- podróż
- json
- właśnie
- Knuggety
- Klawisz
- Klawisze
- Kicks
- Wiedzieć
- znany
- krajobraz
- język
- duży
- prowadzący
- nauka
- lewo
- Dźwignia
- życie
- lubić
- linie
- LINK
- życie
- Lama
- długo
- maszyna
- uczenie maszynowe
- Główny
- robić
- WYKONUJE
- zarządzanie
- zarządzane
- zarządzający
- manipulować
- wiele
- Marketing
- Może..
- znaczy
- mechanizm
- Mechanizmy
- jedynie
- Metadane
- metoda
- może
- mobilność
- model
- modele
- Modułowa
- moduł
- Moduły
- jeszcze
- większość
- my
- O imieniu
- rodzimy
- Naturalny
- Język naturalny
- Przetwarzanie języka naturalnego
- niezbędny
- Potrzebować
- wymagania
- Nowości
- aktualności
- Nexus
- miło
- nlp
- już dziś
- of
- oferuje
- często
- on
- pewnego razu
- open source
- OpenAI
- działanie
- operacje
- Option
- or
- OS
- Inne
- ludzkiej,
- obrysowywanie
- wydajność
- Wyjścia
- wybitny
- parametr
- część
- szczególny
- strony
- wzory
- Ludzie
- wykonać
- wykonywania
- osobisty
- Komputery osobiste
- Zwroty
- Fizyka
- sztuk
- Platforma
- plato
- Analiza danych Platona
- PlatoDane
- Grać
- Poezja
- Pozycje
- potencjał
- precyzyjnie
- lepszy
- premia
- Problem
- problemy
- wygląda tak
- przetwarzanie
- produkować
- Programowanie
- monity
- prototypy
- zapewniać
- dostawców
- zapewnia
- że
- Python
- pytanie
- szybko
- całkiem
- Surowy
- królestwo
- odbieranie
- niedawny
- odnosi
- Relacje
- powtarzalne
- odpowiadać
- reprezentacja
- wywołań
- wymagać
- wymaganie
- wymagania
- Wymaga
- Zasoby
- Odpowiadać
- odpowiedź
- Odpowiedzi
- odpowiedzialny
- zatrzymany
- powrót
- powraca
- Rewolucjonizujący
- prawo
- Rola
- s
- taki sam
- scenariusze
- nauka
- Nauka i technika
- skrypty
- Szukaj
- wyszukiwania
- Sektory
- wydaje
- wysyłanie
- sentyment
- Sekwencja
- służy
- zestaw
- Zestawy
- ustawienie
- znaczący
- podobny
- upraszcza
- upraszczanie
- po prostu
- sytuacje
- So
- Tworzenie
- rozwiązanie
- Rozwiązania
- kilka
- wyrafinowany
- Typ przestrzeni
- wyspecjalizowanym
- specjalizuje się
- specyficzny
- określony
- STAGE
- etapy
- normalizacja
- rozpoczęty
- Nadal
- przechowywanie
- sklep
- sklep
- opływowy
- usprawnienie
- sznur
- Struktura
- zbudowany
- Struktury
- kolejny
- w zasadzie
- taki
- odpowiedni
- dostarczanie
- pewnie
- powstaje
- system
- systemy
- stół
- dostosowane
- Brać
- biorąc
- rozmawiać
- Zadanie
- zadania
- techniczny
- Technologia
- Szablony
- tymczasowy
- dąży
- XNUMX
- tekstowy
- niż
- że
- Połączenia
- ich
- Im
- następnie
- Tam.
- Te
- one
- rzecz
- to
- tych
- chociaż?
- Przez
- A zatem
- do
- już dziś
- razem
- narzędzia
- Trening
- Przekształcać
- przemiany
- Transformatory
- Tłumaczenie
- Tutorial
- drugiej
- zazwyczaj
- zrozumieć
- zrozumienie
- nie wykorzystany
- us
- nadający się do użytku
- posługiwać się
- używany
- Użytkownik
- Użytkownicy
- za pomocą
- Użytkowe
- wykorzystać
- Wartości
- zmienna
- różnorodność
- różnorodny
- Naprawiono
- wszechstronność
- początku.
- przez
- chcieć
- Droga..
- sposoby
- we
- Co
- Co to jest
- jeśli chodzi o komunikację i motywację
- który
- cały
- szeroki
- w
- w ciągu
- zastanawiać się
- słowa
- workflow
- przepływów pracy
- pracujący
- jeszcze
- ty
- Twój
- zefirnet