Definisikan fungsi untuk menghentikan chatbot

Sekarang setelah state chatbot Anda disiapkan, Anda perlu membangun fungsi-fungsi yang mengelola alur kerja di seluruh graph chatbot Anda. Sebagai awal, Anda akan membangun fungsi should_continue() yang memeriksa pemanggilan tool pada pesan terakhir chatbot di dalam state yang telah dimuat untuk Anda. Jika tidak ada pemanggilan tool, chatbot akan berhenti. Jika ada tool yang dipanggil, chatbot melanjutkan ke tugas berikutnya. Untuk mengelola pesan Anda, modul berikut telah diimpor untuk Anda.

from langgraph.graph import MessagesState, START, END

Latihan ini adalah bagian dari kursus

Merancang Sistem Agentic dengan LangChain

Petunjuk latihan

Tentukan tipe masukan untuk parameter state menggunakan MessagesState.
Akses pesan terakhir dari state menggunakan "messages" untuk memeriksa pemanggilan tool.
Periksa apakah pesan terakhir berisi tool_calls dan tentukan nilai kembalian sebagai "tools" jika benar.
Tentukan nilai kembalian sebagai END untuk mengakhiri percakapan ketika tidak ada tool_calls.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# Use MessagesState to define the state of the function
def should_continue(state: ____):
    
    # Get the last message from the state
    last_message = ____["____"][____]
    
    # Check if the last message includes tool calls
    if ____.____:
        return "____"
    
    # End the conversation if no tool calls are present
    return ____

Edit dan Jalankan Kode

Latihan ini adalah bagian dari kursus

Merancang Sistem Agentic dengan LangChain

SkillTag.level.intermediateSkillTag.label

4.8+

Mulai Kursus Gratis

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: Building graphs for chatbots Exercise 2: Graph and agent states Exercise 3: Adding nodes and edges Exercise 4: Generating chatbot responses Exercise 5: Queries and responses Exercise 6: Generate a graph diagram Exercise 7: Adding external tools to a chatbot Exercise 8: Build a Wikipedia tool Exercise 9: Add a tool to a graph Exercise 10: Adding memory and conversation Exercise 11: Visualize the graph and return tool outputs Exercise 12: Adding graph memory Exercise 13: Using graph memory for conversation

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: Mendefinisikan banyak tool Exercise 2: Bangun alat yang memanggil LLM Exercise 3: Bangun alat dengan kode Python Exercise 4: Mengikat beberapa tool Exercise 5: Mendefinisikan node dan edge untuk pemanggilan fungsi yang fleksibel Exercise 6: Definisikan fungsi untuk menghentikan chatbot

Latihan Saat Ini

Exercise 7: Buat fungsi untuk mengembalikan respons LLM Exercise 8: Buat alur kerja graph untuk beberapa tool Exercise 9: Mengatur keluaran chatbot dengan memori Exercise 10: Konfigurasikan keluaran untuk beberapa alat Exercise 11: Aktifkan percakapan multi-giliran dengan memori Exercise 12: Selamat!