Genera un diagramma del grafo

Ora che hai dimostrato all'amministrazione scolastica che il chatbot funziona, proponi di generare un diagramma che spieghi come il chatbot risponde alle domande. Decidi di creare un diagramma LangGraph che mostri come è stato configurato il chatbot.

Image e display da IPython.display sono già stati caricati per te. Abbiamo creato una funzione display_fallback() per mostrare un'immagine nella cache nel caso in cui la Mermaid API (il servizio usato da LangGraph per creare il grafico) restituisca un errore.

Questo esercizio fa parte del corso

Progettare sistemi agentici con LangChain

Visualizza il corso

Istruzioni dell'esercizio

All'interno di un blocco try, chiama il metodo .get_graph() su graph, seguito da .draw_mermaid_png() per visualizzare il diagramma.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# Try generating and displaying the diagram of the graph
try:
    display(Image(graph.____().____()))

# Return an exception if the generation fails
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+

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

Esercizio in corso

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 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!