Začněte nyníZačněte zdarma

Využití paměti grafu pro konverzaci

Teď, když má tvůj chatbot přístup k paměti, můžeš streamovat jeho odpovědi na doplňující otázky. Všimni si, že doplňující otázky nepotřebují žádný extra kontext – chatbot má přístup k celé konverzaci uložené v paměti. Otázky jsou pro tebe již připravené.

Toto cvičení je součástí kurzu

Návrh agentních systémů s LangChain

Zobrazit kurz

Pokyny k cvičení

  • Vytvoř slovník config s klíčem "configurable", který obsahuje "thread_id" nastaveného na "single_session_memory".
  • Projdi každou událost event grafu pomocí metody .stream() aplikované na graph, přičemž předej slovník s klíčem "messages" obsahujícím user_input označený jako "user" a slovník config.
  • Projdi event.values() s použitím proměnné value a vypiš "Agent:" následovaný hodnotou "messages", pokud existuje v value a není prázdná.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Set up a streaming function for a single user
def stream_memory_responses(user_input: str):
    ____ = {"____": {"____": "____"}}
    
    # Stream the events in the graph
    for ____ in graph.____({"messages": [("user", ____)]}, ____):
        
        # Return the agent's last response
        for ____ in event.____():
            if "messages" in ____ and value["____"]:
                print("Agent:", value["messages"])

stream_memory_responses("Tell me about the Eiffel Tower.")
stream_memory_responses("Who built it?")
Upravit a spustit kód