Ein Graphdiagramm erzeugen

Nachdem du der Schulverwaltung gezeigt hast, dass der Chatbot funktioniert, schlägst du vor, ein Diagramm zu erstellen, das erklärt, wie der Chatbot Fragen beantwortet. Ihr einigt euch darauf, ein LangGraph-Diagramm zu erzeugen, das zeigt, wie der Chatbot aufgebaut ist.

Image und display aus IPython.display wurden für dich geladen. Wir haben eine Funktion display_fallback() erstellt, um ein zwischengespeichertes Bild anzuzeigen, falls die Mermaid-API (der Dienst, den LangGraph zum Erstellen der Grafik nutzt) einen Fehler zurückgibt.

Diese Übung ist Teil des Kurses

Agentische Systeme mit LangChain entwerfen

Anleitung zur Übung

Rufe in einem try-Block zuerst die Methode .get_graph() auf graph auf und anschließend .draw_mermaid_png(), um das Diagramm anzuzeigen.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Try generating and displaying the diagram of the graph
try:
    display(Image(graph.____().____()))

# Return an exception if the generation fails
except Exception:
    print("Plot generation failed... falling back to cached asset.")
    display_fallback()

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

Agentische Systeme mit LangChain entwerfen

Mittlere SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

Build intelligent agentic systems! Discover the key components of LangChain agents, including how prompts, LLMs, and tools work together for reasoning and action. You'll set up an agent with OpenAI's API, define custom tools, and tackle real-world tasks like math calculations. Plus, explore how LangChain organizes data using graphs, nodes, and edges.

Exercise 1: Agents in LangChain Exercise 2: Creating a ReAct agent Exercise 3: Components of LangChain agents Exercise 4: Building custom tools Exercise 5: Create a tool for math calculations Exercise 6: Integrating custom tools and queries Exercise 7: Conversation with a ReAct agent Exercise 8: Conversation setup Exercise 9: Ask questions about conversation history

Build dynamic, tool-augmented chatbots with LangChain and LangGraph! You’ll explore how to create a chatbot that adapts based on user input by defining states and integrating external APIs for real-time information retrieval. You'll connect these components into a responsive graph structure, enabling smooth transitions between conversation and tool-assisted responses. By the end, you’ll have a visually represented chatbot framework with enhanced reasoning and multi-step workflows.

Exercise 1: Graphen für Chatbots erstellen Exercise 2: Graph- und Agenten-States Exercise 3: Knoten und Kanten hinzufügen Exercise 4: Antworten für Chatbots generieren Exercise 5: Abfragen und Antworten Exercise 6: Ein Graphdiagramm erzeugen

Aktuelle Übung

Exercise 7: Externe Tools zu einem Chatbot hinzufügen Exercise 8: Erstelle ein Wikipedia-Tool Exercise 9: Ein Tool zu einem Graphen hinzufügen Exercise 10: Speicher und Unterhaltung hinzufügen Exercise 11: Visualisiere den Graphen und gib Tool-Ausgaben zurück Exercise 12: Speicher zum Graphen hinzufügen Exercise 13: Graph-Speicher für Gespräche nutzen

Expand your chatbot with dynamic tools and memory! Define and integrate multiple tools into flexible workflows, build functions for dynamic tool calling, and configure your chatbot for multiple-tool handling. Organize memory and outputs to enable interleaved, multi-turn conversations. By the end, you'll have created a sophisticated chatbot capable of complex interactions.

Exercise 1: Defining multiple tools Exercise 2: Build a tool that invokes the LLM Exercise 3: Build a tool with Python code Exercise 4: Binding multiple tools Exercise 5: Defining nodes and edges for flexible function calling Exercise 6: Define a function that stops the chatbot Exercise 7: Create a function to return an LLM response Exercise 8: Create the graph workflow for multiple tools Exercise 9: Organize chatbot outputs with memory Exercise 10: Configure outputs for multiple tools Exercise 11: Enable multi-turn conversation with memory Exercise 12: Congratulations!