ReAct-agenter

Dags att skapa en egen ReAct-agent! ReAct står för Reason and Act, vilket beskriver hur agenten fattar beslut. I den här övningen läser du in det inbyggda wikipedia-verktyget för att integrera extern data från Wikipedia med din LLM. En llm har redan definierats åt dig och använder OpenAI:s modell gpt-4o-mini.

Obs: wikipedia-verktyget kräver att Python-biblioteket wikipedia är installerat som ett beroende, vilket redan är gjort i det här fallet.

Den här övningen är en del av kursen

Utveckla LLM-applikationer med LangChain

Övningsinstruktioner

Läs in verktyget "wikipedia" med funktionen load_tools().
Definiera en ReAct-agent med create_react_agent() och skicka med llm och de verktyg som ska användas.
Kör agenten på det angivna indata och skriv ut innehållet från det sista meddelandet i response.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

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

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

# Invoke the agent
response = agent.____({"messages": [("human", "How many people live in New York City?")]})
print(response['messages'][-1].____)

Redigera och kör kod

Den här övningen är en del av kursen

Utveckla LLM-applikationer med LangChain

SkillTag.level.intermediateSkillTag.label

4.8+

Starta kursen gratis

Välkommen till LangChain-ramverket för att bygga applikationer med LLM:er! Du lär dig om de viktigaste komponenterna i LangChain – modeller, kedjor, agenter, promptar och parsers. Du skapar chattbotar med både öppna modeller från Hugging Face och proprietära modeller från OpenAI, bygger promptmallar och integrerar olika minnestrategier för chattbotar för att hantera kontext och resurser under konversationer.

Exercise 1: LangChain-ekosystemet Exercise 2: OpenAI-modeller i LangChain!Exercise 3: Hugging Face-modeller i LangChain!Exercise 4: Promptmallar Exercise 5: Promptmallar och kedjor Exercise 6: Promptmallar för chatt Exercise 7: Few-shot-promptning Exercise 8: Skapa uppsättningen med few-shot-exempel Exercise 9: Bygg few-shot-promptmallen Exercise 10: Implementera few-shot-promptning

Nu tar vi LangChain-kedjorna till nästa nivå! Du lär dig att använda LangChain Expression Language (LCEL) för att definiera kedjor med större flexibilitet. Du skapar sekventiella kedjor där indata skickas mellan komponenter för att bygga mer avancerade applikationer. Du börjar också integrera agenter som använder LLM:er för beslutsfattande.

Exercise 1: Sekventiella kedjor Exercise 2: Skapa promptmallar för sekventiella kedjor Exercise 3: Sekventiella kedjor med LCEL Exercise 4: Introduktion till LangChain-agenter Exercise 5: Vad är en agent?Exercise 6: ReAct-agenter

Aktuell övning

Exercise 7: Anpassade verktyg för agenter Exercise 8: Definiera en funktion för verktygsanvändning Exercise 9: Skapa anpassade verktyg Exercise 10: Integrera anpassade verktyg med agenter

En begränsning med LLM:er är att deras kunskap har ett slutdatum, eftersom de tränats på data fram till en viss tidpunkt. I det här kapitlet lär du dig att skapa applikationer som använder Retrieval Augmented Generation (RAG) för att integrera extern data med LLM:er. RAG-arbetsflödet innehåller flera olika steg – bland annat att dela upp data, skapa och lagra inbäddningar i en vektordatabas samt hämta den mest relevanta informationen för användning i applikationen. Du får lära dig att behärska hela arbetsflödet!

Exercise 1: Integrera dokumentladdare Exercise 2: Dokumentladdare för PDF Exercise 3: Dokumentladdare för CSV-filer Exercise 4: HTML-dokumentladdare Exercise 5: Dela upp externa data för hämtning Exercise 6: Dela upp efter tecken Exercise 7: Rekursiv uppdelning per tecken Exercise 8: Dela upp HTML Exercise 9: RAG-lagring och hämtning med vektordatabaser Exercise 10: Förbered dokumenten och vektordatabasen Exercise 11: Skapa en promptmall för hämtning Exercise 12: Skapa en RAG-kedja Exercise 13: Avslutning!