Een functie definiëren voor toolgebruik

Je werkt voor een SaaS-bedrijf (software as a service) met grote plannen om tools uit te rollen die medewerkers op alle niveaus helpen om datagedreven beslissingen te nemen. Je bouwt een proof of concept voor een applicatie waarmee customer success managers via natuurlijke taal met bedrijfsgegevens kunnen werken om belangrijke klantgegevens op te halen.

Je hebt een pandas DataFrame gekregen, customers, met een kleine steekproef van klantgegevens. Je eerste stap in dit project is het definiëren van een Python-functie die informatie uit deze tabel haalt op basis van de naam van een klant. pandas is al geïmporteerd als pd.

Deze oefening maakt deel uit van de cursus

LLM-toepassingen ontwikkelen met LangChain

Cursus bekijken

Oefeninstructies

Definieer een functie retrieve_customer_info() die één stringargument name accepteert.
Filter het customers-DataFrame om rijen te retourneren waarbij "name" gelijk is aan het invoerargument name.
Roep de functie aan met de klantnaam "Peak Performance Co.".

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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("____"))

Code bewerken en uitvoeren

Deze oefening maakt deel uit van de cursus

LLM-toepassingen ontwikkelen met LangChain

SkillTag.level.intermediateSkillTag.label

4.8+

Begin de cursus 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: Sequentiële chains Exercise 2: Prompts bouwen voor sequentiële chains Exercise 3: Sequentiële chains met LCEL Exercise 4: Introductie tot LangChain-agents Exercise 5: Wat is een agent?Exercise 6: ReAct-agents Exercise 7: Aangepaste tools voor agents Exercise 8: Een functie definiëren voor toolgebruik

Huidige oefening

Exercise 9: Eigen tools maken Exercise 10: Aangepaste tools integreren met agents

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!