Agentes ReAct

É hora de você tentar criar seu próprio agente ReAct! Lembre-se de que ReAct significa Reason and Act, que descreve como eles tomam decisões. Neste exercício, você carregará a ferramenta incorporada wikipedia para integrar dados externos da Wikipédia com o seu LLM. Já foi definido para você um llm que usa o modelo gpt-4o-mini da OpenAI

Observação: A ferramenta wikipedia requer que a biblioteca Python wikipedia seja instalada como uma dependência, o que foi feito para você neste caso.

Este exercício faz parte do curso

Desenvolvimento de aplicativos LLM com LangChain

Instruções de exercício

Carregue a ferramenta "wikipedia".
Defina um agente ReAct, passando a ele o endereço 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 preenchendo 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 código

Este exercício faz parte do curso

Desenvolvimento de aplicativos LLM com LangChain

IntermediárioNível de habilidade

4.8+

Iniciar curso gratuitamente

Bem-vindo à estrutura LangChain para criar aplicativos em LLMs! Você aprenderá sobre os principais componentes do LangChain, incluindo modelos, cadeias, agentes, prompts e analisadores. Você criará chatbots usando modelos de código aberto da Hugging Face e modelos proprietários da OpenAI, criará modelos de prompt e integrará diferentes estratégias de memória do chatbot para gerenciar o contexto e os recursos durante as conversas.

Exercise 1: O ecossistema LangChain Exercise 2: Modelos OpenAI em LangChain!Exercise 3: Modelos de rosto abraçados em LangChain!Exercise 4: Modelos de prompts Exercise 5: Modelos de prompts e encadeamento Exercise 6: Modelos de prompt de bate-papo Exercise 7: Prompts com poucos exemplos (few-shot)Exercise 8: Criando o conjunto de exemplos de poucas fotos Exercise 9: Criação do modelo de prompt de poucos disparos Exercise 10: Implementação de solicitações de poucos disparos

É hora de aumentar o nível de suas cadeias LangChain! Você aprenderá a usar a LangChain Expression Language (LCEL) para definir cadeias com maior flexibilidade. Você criará cadeias sequenciais, nas quais as entradas são passadas entre os componentes para criar aplicativos mais avançados. Você também começará 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 LangChain Exercise 5: O que é um agente?Exercise 6: Agentes ReAct

Exercício atual

Exercise 7: Ferramentas personalizadas para agentes Exercise 8: Definição de uma função para uso da ferramenta 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 devido ao fato de serem treinados em dados até um determinado ponto. Neste capítulo, você aprenderá a criar aplicativos que usam o Retrieval Augmented Generation (RAG) para integrar dados externos aos LLMs. O fluxo de trabalho do RAG contém alguns processos diferentes, incluindo a divisão de dados, a criação e o armazenamento das incorporações usando um banco de dados vetorial e a recuperação das informações mais relevantes para uso no aplicativo. Você aprenderá a dominar todo o fluxo de trabalho!

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