Agentes ReAct

¡Es hora de crear tu propio agente ReAct! Recuerda que ReAct significa Razonar y Actuar, que describe cómo toman decisiones. En este ejercicio, cargarás la herramienta incorporada wikipedia para integrar datos externos de Wikipedia con tu LLM. Ya se ha definido para ti un llm que utiliza el modelo gpt-4o-mini de OpenAI.

Nota: La herramienta wikipedia requiere la instalación de la biblioteca Python wikipedia como dependencia, lo que se ha hecho por ti en este caso.

Este ejercicio forma parte del curso

Desarrollar aplicaciones LLM con LangChain

Instrucciones de ejercicio

Carga la herramienta "wikipedia".
Define un agente ReAct, pasándole la dirección llm y las herramientas que debe utilizar.
Ejecuta el agente en la entrada proporcionada e imprime el contenido del mensaje final en response.

Ejercicio interactivo práctico

Pruebe este ejercicio completando este código de muestra.

# Define the tools
tools = ____(["wikipedia"])

# Define the agent
agent = ____(____, ____)

# Invoke the agent
response = ____({"messages": [("human", "How many people live in New York City?")]})
print(____)

Editar y ejecutar código

Este ejercicio forma parte del curso

Desarrollar aplicaciones LLM con LangChain

IntermedioNivel de habilidad

4.8+

Comienza el curso gratis

¡Bienvenido al marco LangChain para construir aplicaciones sobre LLMs! Conocerás los principales componentes de LangChain, como los modelos, las cadenas, los agentes, los avisos y los analizadores sintácticos. Crearás chatbots utilizando modelos de código abierto de Hugging Face y modelos propios de OpenAI, crearás plantillas de avisos e integrarás distintas estrategias de memoria de chatbot para gestionar el contexto y los recursos durante las conversaciones.

Exercise 1: El ecosistema LangChain Exercise 2: ¡Modelos OpenAI en LangChain!Exercise 3: ¡Modelos de Cara de Abrazo en LangChain!Exercise 4: Plantillas de instrucciones Exercise 5: Plantillas y encadenamiento de preguntas Exercise 6: Plantillas de mensajes de chat Exercise 7: Prompts de pocos disparos Exercise 8: Creación del conjunto de ejemplos de pocos disparos Exercise 9: Construir la plantilla de avisos de pocos disparos Exercise 10: Poner en práctica el aviso de pocos disparos

¡Es hora de subir de nivel tus cadenas LangChain! Aprenderás a utilizar el Lenguaje de Expresión LangChain (LCEL) para definir cadenas con mayor flexibilidad. Crearás cadenas secuenciales, en las que las entradas se pasan entre componentes para crear aplicaciones más avanzadas. También empezarás a integrar agentes, que utilizan LLM para tomar decisiones.

Exercise 1: Cadenas secuenciales Exercise 2: Construir indicaciones para cadenas secuenciales Exercise 3: Cadenas secuenciales con LCEL Exercise 4: Introducción a los agentes LangChain Exercise 5: ¿Qué es un agente?Exercise 6: Agentes ReAct

Ejercicio actual

Exercise 7: Herramientas personalizadas para agentes Exercise 8: Definir una función para el uso de herramientas Exercise 9: Crear herramientas personalizadas Exercise 10: Integrar herramientas personalizadas con los agentes

Una limitación de los LLM es que tienen un límite de conocimiento debido a que se entrenan con datos hasta cierto punto. En este capítulo aprenderás a crear aplicaciones que utilicen la Generación Aumentada de Recuperación (RAG) para integrar datos externos con los LLM. El flujo de trabajo de RAG contiene algunos procesos diferentes, como dividir los datos, crear y almacenar las incrustaciones utilizando una base de datos vectorial, y recuperar la información más relevante para utilizarla en la aplicación. ¡Aprenderás a dominar todo el flujo de trabajo!

Exercise 1: Integrar cargadores de documentos Exercise 2: PDF cargadores de documentos Exercise 3: CSV cargadores de documentos Exercise 4: HTML cargadores de documentos Exercise 5: Dividir datos externos para recuperarlos Exercise 6: Dividir por caracteres Exercise 7: Dividir recursivamente por caracteres Exercise 8: Dividir HTML Exercise 9: RAG almacenamiento y recuperación mediante bases de datos vectoriales Exercise 10: Preparar los documentos y la base de datos vectorial Exercise 11: Construir una plantilla de solicitud de recuperación Exercise 12: Crear una cadena RAG Exercise 13: ¡Recapitulación!