Agentes ReAct

Hora de tentar criar seu próprio agente ReAct! Lembre-se que ReAct significa Reason and Act (raciocínio e ação), que é como eles tomam decisões. Neste exercício, você vai carregar a ferramenta integrada wikipedia para juntar dados externos da Wikipedia com o seu LLM. Já foi definido um llm que usa o modelo gpt-4o-mini da OpenAI.

Observação: A ferramenta wikipedia precisa da biblioteca wikipedia do Python instalada como dependência, o que já foi feito para você neste caso.

Este exercício faz parte do curso

Desenvolvimento de aplicativos de LLM com LangChain

Instruções do exercício

Carregue a ferramenta "wikipedia".
Defina um agente ReAct, passando a ele o llm e as ferramentas a serem usadas.
Execute o agente na entrada fornecida e imprima o conteúdo da mensagem final em response.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Define the tools
tools = ____(["wikipedia"])

# Define the agent
agent = ____(____, ____)

# Invoke the agent
response = ____({"messages": [("human", "How many people live in New York City?")]})
print(____)

Editar e executar o código

Este exercício faz parte do curso

Desenvolvimento de aplicativos de LLM com LangChain

IntermediárioNível de habilidade

4.8+

Iniciar curso de graça

Boas-vindas ao framework LangChain para criação de aplicativos em LLMs! Você vai aprender sobre os principais componentes do LangChain, incluindo modelos, cadeias, agentes, prompts e analisadores. Você vai criar chatbots usando modelos de código aberto do Hugging Face e modelos próprios da OpenAI, criar modelos de prompts e integrar diferentes estratégias de memória de chatbot para gerenciar o contexto e os recursos durante as conversas.

Exercise 1: O ecossistema LangChain Exercise 2: Modelos da OpenAI no LangChain!Exercise 3: Modelos do Hugging Face no LangChain!Exercise 4: Modelos de prompt Exercise 5: Modelos de prompt e encadeamento Exercise 6: Modelos de prompt de chat Exercise 7: Prompts com poucos exemplos (few-shot)Exercise 8: Criação do conjunto de exemplos few-shot Exercise 9: Criação do modelo de prompt com poucos exemplos Exercise 10: Implementação de prompts com poucos exemplos

Hora de melhorar suas cadeias do LangChain! Você vai aprender a usar a LangChain Expression Language (LCEL) para definir cadeias com mais flexibilidade. Você vai criar cadeias sequenciais, onde as entradas são passadas entre os componentes para criar aplicativos mais avançados. Você também vai começar a integrar agentes, que usam LLMs para tomar decisões.

Exercise 1: Cadeias sequenciais Exercise 2: Criação de prompts para cadeias sequenciais Exercise 3: Cadeias sequenciais com LCEL Exercise 4: Introdução aos agentes do LangChain Exercise 5: O que é um agente?Exercise 6: Agentes ReAct

Exercício atual

Exercise 7: Ferramentas personalizadas para agentes Exercise 8: Definir uma função para o uso de ferramentas Exercise 9: Criação de ferramentas personalizadas Exercise 10: Integração de ferramentas personalizadas com agentes

Uma limitação dos LLMs é que eles têm um limite de conhecimento, porque são treinados com dados até um certo ponto. Neste capítulo, você vai aprender a criar aplicativos que usam Retrieval Augmented Generation (RAG) para integrar dados externos com LLMs. O fluxo de trabalho do RAG tem alguns processos diferentes, como dividir dados, criar e armazenar embeddings usando um banco de dados vetorial e recuperar as informações mais relevantes para usar no aplicativo. Você vai aprender a dominar todo o fluxo de trabalho!

Exercise 1: Integração de carregadores de documentos Exercise 2: Carregadores de documentos PDF Exercise 3: Carregadores de documentos CSV Exercise 4: Carregadores de documentos HTML Exercise 5: Divisão de dados externos para recuperação Exercise 6: Divisão por caractere Exercise 7: Dividir recursivamente por caractere Exercise 8: Divisão de HTML Exercise 9: Armazenamento e recuperação em RAG usando bancos de dados vetoriais Exercise 10: Preparação dos documentos e do banco de dados vetorial Exercise 11: Criação de um modelo de prompt de recuperação Exercise 12: Criação de uma cadeia RAG Exercise 13: Conclusão