Crea uno strumento Wikipedia

L'amministrazione scolastica è molto soddisfatta del tuo lavoro! Vorrebbe rendere il chatbot ancora più potente integrando risorse esterne. Tu proponi di dare al chatbot l'accesso a Wikipedia. L'amministrazione accetta di prolungare il tuo incarico, quindi decidi di creare uno strumento per il chatbot usando la Wikipedia API.

I seguenti moduli sono stati importati per permetterti di iniziare: WikipediaQueryRun, WikipediaAPIWrapper

Questo esercizio fa parte del corso

Progettare sistemi agentici con LangChain

Visualizza il corso

Istruzioni dell'esercizio

Crea un api_wrapper che inizializzi WikipediaAPIWrapper() con top_k_results=1 per recuperare solo il miglior risultato di Wikipedia.
Crea uno strumento WikipediaQueryRun() chiamato wikipedia_tool, passando api_wrapper come input, quindi salvalo in una lista chiamata tools.
Associa la lista tools a llm passandola al metodo .bind_tools().
Per istruire il chatbot a rispondere usando lo strumento, passa il contenuto di "messages" in state al metodo .invoke() e applicalo a llm_with_tools.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# Initialize Wikipedia API wrapper to fetch top one result
api_wrapper = ____(top_k_results=1)

# Create a Wikipedia query tool using the API wrapper
wikipedia_tool = ____(api_wrapper=____)
tools = [____]

# Bind the Wikipedia tool to the language model
llm_with_tools = ____.____(____)

# Modify chatbot function to respond with Wikipedia
def chatbot(state: State):
    return {"messages": [____.____(____["____"])]}

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 Exercise 7: Aggiungere strumenti esterni a un chatbot Exercise 8: Crea uno strumento Wikipedia

Esercizio in corso

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!