Gerar um diagrama do grafo

Agora que você mostrou para a administração da escola que o chatbot funciona, você sugeriu gerar um diagrama explicando como o chatbot responde às perguntas. Você concordou em criar um diagrama do LangGraph que mostra como o chatbot foi configurado.

Image e display de IPython.display já foram carregados para você. Nós criamos uma função display_fallback() para exibir uma imagem em cache caso a API do Mermaid (o serviço usado pelo LangGraph para criar o gráfico) retorne um erro.

Este exercício faz parte do curso

Projetando Sistemas Agentes com LangChain

Instruções do exercício

Dentro de um bloco try, chame o método .get_graph() em graph, seguido de .draw_mermaid_png() para exibir o diagrama.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# 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()

Editar e executar o código

Este exercício faz parte do curso

Projetando Sistemas Agentes com LangChain

IntermediárioNível de habilidade

4.8+

Iniciar curso de graça

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: Construindo grafos para chatbots Exercise 2: Estados do grafo e do agente Exercise 3: Adicionando nós e arestas Exercise 4: Gerando respostas do chatbot Exercise 5: Consultas e respostas Exercise 6: Gerar um diagrama do grafo

Exercício atual

Exercise 7: Adicionando ferramentas externas a um chatbot Exercise 8: Crie uma ferramenta do Wikipedia Exercise 9: Adicionar uma ferramenta a um grafo Exercise 10: Adicionando memória e conversa Exercise 11: Visualize o grafo e retorne as saídas das ferramentas Exercise 12: Adicionando memória ao grafo Exercise 13: Usando memória do grafo na conversa

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!