Visualizza il grafo e restituisci gli output degli strumenti

Il grafo del tuo chatbot è pronto! Per prima cosa, visualizzerai il diagramma del grafo per assicurarti che sia configurato correttamente. Poi, creerai una funzione che ti permette di eseguire il chatbot come un'applicazione, passando una domanda come stringa e ottenendo la risposta. Se il solo LLM non basta, il chatbot può accedere a Wikipedia usando lo strumento API per rispondere.

Il grafo è già stato compilato per te.

graph = graph_builder.compile()

Questo esercizio fa parte del corso

Progettare sistemi agentici con LangChain

Visualizza il corso

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# Produce the chatbot graph
try:
    ____(____(graph.____().____()))

except Exception:
    print("Plot generation failed... falling back to cached asset.")
    display_fallback()

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Progettare sistemi agentici con LangChain

IntermediárioNível de habilidade

4.8+

1561 reviews

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: Creare grafi per chatbot Exercise 2: Stati del grafo e dell'agente Exercise 3: Aggiungere nodi e archi Exercise 4: Generare le risposte del chatbot Exercise 5: Query e risposte Exercise 6: Genera un diagramma del grafo Exercise 7: Aggiungere strumenti esterni a un chatbot Exercise 8: Crea uno strumento Wikipedia Exercise 9: Aggiungi uno strumento a un grafo Exercise 10: Aggiungere memoria e conversazione Exercise 11: Visualizza il grafo e restituisci gli output degli strumenti

Esercizio in corso

Exercise 12: Aggiungere la memoria al grafo Exercise 13: Usare la memoria del grafo per la conversazione

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!