Ermögliche Multi-Turn-Gespräche mit Speicher
Du bist fast bereit, dein Chatbot-Update mit der Schulleitung zu teilen! Damit die Schüler/innen eine reibungslose Lernerfahrung machen können, ist es wichtig, dass sie Anschlussfragen stellen können. Wenn in der ersten Antwort des Chatbots Informationen fehlen, können die Schüler/innen ihre Fragen in einem Gespräch ändern. Jetzt passt du die Streaming-Funktion deines Chatbots so an, dass er mehrere Umdrehungen ermöglicht und sowohl die Frage des Nutzers als auch die Antwort des Chatbots ausgibt. Damit du dich erinnern kannst, sendet LangGraph die gesamte Konversation an die LLM, wenn Folgefragen gestellt werden. Für den Anfang sind deine config
Parameter bereits für einen Benutzer festgelegt worden:
config = {"configurable": {"thread_id": "1"}}
Diese Übung ist Teil des Kurses
Agentensysteme mit LangChain entwerfen
Anleitung zur Übung
- Beginne bei jedem Zug damit, die
query
des Nutzers aus derqueries
Liste zu drucken. - Iteriere durch
msg
undmetadata
mitapp.stream()
, übergebequery
alscontent
vonHumanMessage
zusammen mitconfig
und verbinde diemsg.content
Werte. - Um die Antworten des Chatbots zu extrahieren, druckst du
msg.content
aus, wobei dumsg
mitHumanMessage
ausschließt und eine neue Zeile vor der nächsten Abfrage einfügst.
Interaktive Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# Print the user query first for every interaction
def user_agent_multiturn(queries):
for ____ in ____:
print(f"User: {____}")
# Stream through messages corresponding to queries, excluding metadata
print("Agent: " + "".join(____.____ for ____, ____ in app.____(
{"messages": [____(____=_____)]}, config, stream_mode="messages")
# Filter out the human messages to print agent messages
if ____.____ and not isinstance(____, ____)) + "____")
queries = ["Is `stressed desserts?` a palindrome?", "What about the word `kayak`?",
"What happened on the May 8th, 1945?", "What about 9 November 1989?"]
user_agent_multiturn(queries)