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.

Agents in LangChain

Creating a ReAct agent

Components of LangChain agents

Building custom tools

Create a tool for math calculations

Integrating custom tools and queries

Conversation with a ReAct agent

Conversation setup

Ask questions about conversation history

The Essentials of LangChain agents

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.

Building graphs for chatbots

Graph and agent states

Adding nodes and edges

Generating chatbot responses

Queries and responses

Generate a graph diagram

Adding external tools to a chatbot

Build a Wikipedia tool

Add a tool to a graph

Adding memory and conversation

Visualize the graph and return tool outputs

Adding graph memory

Using graph memory for conversation

Building Chatbots with LangGraph

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.

Mendefinisikan banyak tool

Bangun alat yang memanggil LLM

Bangun alat dengan kode Python

Mengikat beberapa tool

Mendefinisikan node dan edge untuk pemanggilan fungsi yang fleksibel

Definisikan fungsi untuk menghentikan chatbot

Buat fungsi untuk mengembalikan respons LLM

Buat alur kerja graph untuk beberapa tool

Mengatur keluaran chatbot dengan memori

Konfigurasikan keluaran untuk beberapa alat

Aktifkan percakapan multi-giliran dengan memori

Selamat!

Build Dynamic Chat Agents

Setiap hari, sistem cerdas mengubah berbagai industri—mulai dari dukungan pelanggan otomatis, rekomendasi yang dipersonalisasi, hingga pemrosesan data dinamis. Alur kerja agentic, yang mengintegrasikan model bahasa dan alat untuk menjalankan tugas kompleks, berada di garis depan transformasi ini. Kursus ini menguraikan komponen penting dari alur kerja agentic dan menjelaskan cara membangun, menyesuaikan, serta mengoptimalkannya. Anda akan mempelajari prinsip utama di balik agen LangChain, termasuk mengonfigurasi prompt, mengintegrasikan alat, dan mengelola alur kerja kompleks dengan LangGraph. Di akhir kursus, Anda akan siap membangun sistem cerdas yang mengotomatisasi tugas kompleks, meningkatkan produktivitas, dan menyediakan solusi dinamis yang disesuaikan dengan kebutuhan bisnis tertentu.

Developing LLM Applications with LangChain

Pahami komponen dasar agen LangChain dan buat agen obrolan kustom.

Merancang Sistem Agentic dengan LangChain

Pahami komponen dasar dari agen LangChain dan bangun agen chat kustom.

Mengembangkan Aplikasi dengan LangChain

Founder & AI Engineer, Genverv, Ltd.

Membangun workflow multi-tool

Definisikan fungsi workflow

Buat fungsi kondisi berhenti

Buat pemanggil tool dinamis

Buat graf

Menambahkan memori

Ayo berlatih!

Build Dynamic Chat Agents - Mendefinisikan node dan edge untuk pemanggilan fungsi yang fleksibel

Mendefinisikan node dan edge untuk pemanggilan fungsi yang fleksibel

Create Your Free Account