Agenti ReAct

È il momento di creare il tuo agente ReAct! Ricorda che ReAct sta per Reason and Act, e descrive come questi agenti prendono decisioni. In questo esercizio, caricherai lo strumento integrato wikipedia per integrare dati esterni da Wikipedia con il tuo LLM. Un llm è già stato definito per te e utilizza il modello gpt-4o-mini di OpenAI.

Nota: lo strumento wikipedia richiede che la libreria Python wikipedia sia installata come dipendenza; in questo caso è già stato fatto per te.

Questo esercizio fa parte del corso

Sviluppare applicazioni LLM con LangChain

Visualizza il corso

Istruzioni dell'esercizio

Carica lo strumento "wikipedia" usando la funzione load_tools().
Definisci un agente ReAct usando create_react_agent(), passandogli l'llm e la lista di strumenti da usare.
Esegui l'agente sull'input fornito e stampa il contenuto del messaggio finale in response.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# Define the tools
tools = load_tools(["____"])

# Define the agent
agent = create_react_agent(____, ____)

# Invoke the agent
response = agent.____({"messages": [("human", "How many people live in New York City?")]})
print(response['messages'][-1].____)

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Sviluppare applicazioni LLM con LangChain

IntermediárioNível de habilidade

4.8+

Inizia il corso gratis

Welcome to the LangChain framework for building applications on LLMs! You'll learn about the main components of LangChain, including models, chains, agents, prompts, and parsers. You'll create chatbots using both open-source models from Hugging Face and proprietary models from OpenAI, create prompt templates, and integrate different chatbot memory strategies to manage context and resources during conversations.

Exercise 1: The LangChain ecosystem Exercise 2: OpenAI models in LangChain!Exercise 3: Hugging Face models in LangChain!Exercise 4: Prompt templates Exercise 5: Prompt templates and chaining Exercise 6: Chat prompt templates Exercise 7: Few-shot prompting Exercise 8: Creating the few-shot example set Exercise 9: Building the few-shot prompt template Exercise 10: Implementing few-shot prompting

Time to level up your LangChain chains! You'll learn to use the LangChain Expression Language (LCEL) for defining chains with greater flexibility. You'll create sequential chains, where inputs are passed between components to create more advanced applications. You'll also begin to integrate agents, which use LLMs for decision-making.

Exercise 1: Catene sequenziali Exercise 2: Costruire suggerimenti per catene sequenziali Exercise 3: Chain sequenziali con LCEL Exercise 4: Introduzione agli agenti LangChain Exercise 5: Cos'è un agent?Exercise 6: Agenti ReAct

Esercizio in corso

Exercise 7: Strumenti personalizzati per gli agenti Exercise 8: Definizione di una funzione per l'utilizzo degli strumenti Exercise 9: Creare tool personalizzati Exercise 10: Integrare strumenti personalizzati con gli agenti

One limitation of LLMs is that they have a knowledge cut-off due to being trained on data up to a certain point. In this chapter, you'll learn to create applications that use Retrieval Augmented Generation (RAG) to integrate external data with LLMs. The RAG workflow contains a few different processes, including splitting data, creating and storing the embeddings using a vector database, and retrieving the most relevant information for use in the application. You'll learn to master the entire workflow!

Exercise 1: Integrating document loaders Exercise 2: PDF document loaders Exercise 3: CSV document loaders Exercise 4: HTML document loaders Exercise 5: Splitting external data for retrieval Exercise 6: Splitting by character Exercise 7: Recursively splitting by character Exercise 8: Splitting HTML Exercise 9: RAG storage and retrieval using vector databases Exercise 10: Preparing the documents and vector database Exercise 11: Building a retrieval prompt template Exercise 12: Creating a RAG chain Exercise 13: Wrap-up!