Definizione di una funzione per l'utilizzo degli strumenti

Lavori per un'azienda SaaS (software as a service) con grandi obiettivi di sviluppo di strumenti che aiutino i dipendenti a tutti i livelli dell'organizzazione a prendere decisioni informate sui dati. Stai creando un PoC per un'applicazione che consente ai responsabili del successo dei clienti di interfacciarsi con i dati aziendali utilizzando il linguaggio naturale per recuperare dati importanti sui clienti.

Ti è stato fornito un DataFrame pandas chiamato customers che contiene un piccolo campione di dati dei clienti. Il tuo primo passo in questo progetto è quello di definire una funzione Python per estrarre le informazioni da questa tabella con il nome di un cliente. pandas è già stato importato come pd.

Questo esercizio fa parte del corso

Sviluppare applicazioni LLM con LangChain

Visualizza il corso

Istruzioni dell'esercizio

Definisci una funzione retrieve_customer_info() che accetta un argomento stringa, name.
Filtra il DataFrame customers per restituire le righe con "name" uguale all'argomento di input, name.
Chiama la funzione sul nome del cliente, "Peak Performance Co.".

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# Define a function to retrieve customer info by-name
def retrieve_customer_info(____: ____) -> str:
    """Retrieve customer information based on their name."""
    # Filter customers for the customer's name
    customer_info = customers[customers['name'] == ____]
    return customer_info.to_string()
  
# Call the function on Peak Performance Co.
print(retrieve_customer_info("____"))

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 Exercise 7: Strumenti personalizzati per gli agenti Exercise 8: Definizione di una funzione per l'utilizzo degli strumenti

Esercizio in corso

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!