Geheugen aan de graph toevoegen

Geweldig! Je chatbot kan Wikipedia gebruiken om vragen te beantwoorden op basis van de vraag van de gebruiker. Nu kun je een stap verder gaan door je gebruikers vervolgvragen te laten stellen! Om dit te doen, moet je eerst geheugen inschakelen in je chatbot. Geheugen geeft je chatbot toegang tot de volledige context van het gesprek, zodat hij vervolgvragen en -gesprekken kan afhandelen.

Deze oefening maakt deel uit van de cursus

Agentic Systems ontwerpen met LangChain

Cursus bekijken

Oefeninstructies

Begin met het importeren van MemorySaver uit de module checkpoint.memory in LangGraph.
Maak een instantie van MemorySaver() als memory.
Compileer de chatbotgraph opnieuw door het argument checkpointer in te stellen op memory in de .compile()-methode die je toepast op graph_builder.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Import the modules for saving memory
from langgraph.____.____ import ____

# Modify the graph with memory checkpointing
memory = ____()

# Compile the graph passing in memory
graph = ____.___(checkpointer=____)

Code bewerken en uitvoeren

Deze oefening maakt deel uit van de cursus

Agentic Systems ontwerpen met LangChain

SkillTag.level.intermediateSkillTag.label

4.8+

Begin de cursus 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: Grafen bouwen voor chatbots Exercise 2: Graph- en agentstatussen Exercise 3: Nodes en edges toevoegen Exercise 4: Chatbotantwoorden genereren Exercise 5: Vragen en antwoorden Exercise 6: Genereer een grafiekdiagram Exercise 7: Externe tools toevoegen aan een chatbot Exercise 8: Bouw een Wikipedia-tool Exercise 9: Voeg een tool toe aan een graaf Exercise 10: Geheugen en gesprek toevoegen Exercise 11: Visualiseer de graaf en geef tool-uitvoer terug Exercise 12: Geheugen aan de graph toevoegen

Huidige oefening

Exercise 13: Gespreksgeheugen met een graph gebruiken

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!