Associare più strumenti

Hai appena creato più strumenti! Ora potrai aggiungerli al tuo chatbot collegandoli prima all'LLM. Gli strumenti wikipedia_tool, palindrome_checker e historical_events sono già stati aggiunti al tuo ambiente insieme a llm. Creerai anche un nodo di strumenti da aggiungere al tuo chatbot che elenca tutti gli strumenti disponibili.

Questo esercizio fa parte del corso

Progettare sistemi agentici con LangChain

Visualizza il corso

Istruzioni dell'esercizio

Da langgraph.prebuilt, importa il modulo necessario per definire un nodo di strumenti.
Completa l'elenco degli strumenti aggiungendo i nomi degli strumenti appropriati presenti nel tuo ambiente.
Passa l'elenco di tools alla classe ToolNode() e assegnalo a tool_node.
Collega i tools a llm usando .bind_tools().

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# Import modules required for defining tool nodes
from ____.____ import ____

# List of tools
tools = [____, ____, ____]

# Pass the tools to the ToolNode()
____ = ____(____)

# Bind tools to the LLM
model_with_tools = ____.____(____)

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Progettare sistemi agentici con LangChain

IntermediárioNível de habilidade

4.8+

Inizia il corso 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: Definire più strumenti Exercise 2: Crea uno strumento che richiama l'LLM Exercise 3: Crea uno strumento con codice Python Exercise 4: Associare più strumenti

Esercizio in corso

Exercise 5: Definire nodi e archi per chiamate di funzione flessibili Exercise 6: Definisci una funzione che arresta il chatbot Exercise 7: Crea una funzione che restituisca una risposta dell'LLM Exercise 8: Crea il flusso del grafo per più strumenti Exercise 9: Organizza i risultati del chatbot con la memoria Exercise 10: Configura i risultati per più strumenti Exercise 11: Abilita conversazioni multi-turno con memoria Exercise 12: Congratulazioni!