Genereer een grafiekdiagram

Nu je hebt laten zien dat de chatbot werkt aan de schooladministratie, stel je voor om een diagram te maken dat uitlegt hoe de chatbot vragen beantwoordt. Je spreekt af om een LangGraph-diagram te maken dat laat zien hoe de chatbot is opgezet.

Image en display uit IPython.display zijn alvast voor je geladen. We hebben een display_fallback()-functie gemaakt om een gecachte afbeelding te tonen als de Mermaid API (de service die LangGraph gebruikt om de plot te maken) een fout teruggeeft.

Deze oefening maakt deel uit van de cursus

Agentic Systems ontwerpen met LangChain

Cursus bekijken

Oefeninstructies

Roep binnen een try-blok de methode .get_graph() aan op graph, gevolgd door .draw_mermaid_png() om het diagram te tonen.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Try generating and displaying the diagram of the graph
try:
    display(Image(graph.____().____()))

# Return an exception if the generation fails
except Exception:
    print("Plot generation failed... falling back to cached asset.")
    display_fallback()

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

Huidige oefening

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 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!