Impostazione della conversazione

Ora che hai uno strumento personalizzato per calcolare la lunghezza di un tetto, puoi impostare gli output dell'agente in modo che rispondano alla query che inserisci. Modificando leggermente le istruzioni di stampa, puoi confrontare direttamente la tua query con la risposta dell'agente per verificarne l'accuratezza. I tuoi tools e la query sono già stati configurati e il model è pronto all'uso.

Questo esercizio fa parte del corso

Progettare sistemi agentici con LangChain

Visualizza il corso

Istruzioni dell'esercizio

Inizializza la funzione create_react_agent creando un oggetto chiamato app, passando gli argomenti richiesti.
Invoca l'agente app, passando la tua query, quindi memorizza e stampa la response dell'agente.
Definisci "user_input" come query e "agent_output" come l'ultimo elemento estratto da "messages" in response, quindi stampali entrambi.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

tools = [hypotenuse_length]
query = "What is the value of the hypotenuse for a triangle with sides 3 and 5?"

# Create the ReAct agent
app = ____(____, ____)

# Invoke the agent with a query and store the messages
response = ____.____({"messages": [("human", ____)]})

# Define and print the input and output messages
print({
    "____": ____,
    "____": ____["____"][____].____
})

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: Agenti in LangChain Exercise 2: Creare un agente ReAct Exercise 3: Componenti degli agenti LangChain Exercise 4: Creare strumenti personalizzati Exercise 5: Crea uno strumento per calcoli matematici Exercise 6: Integrare strumenti personalizzati e query Exercise 7: Conversazione con un agente ReAct Exercise 8: Impostazione della conversazione

Esercizio in corso

Exercise 9: Fai domande sulla cronologia della conversazione

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: 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!