Birden fazla aracı bağlama

Az önce birden fazla araç oluşturdun! Şimdi bunları önce LLM'e bağlayarak sohbet botuna ekleyebileceksin. wikipedia_tool, palindrome_checker ve historical_events araçlarının hepsi, llm ile birlikte ortamına eklendi. Ayrıca, mevcut tüm araçları listeleyen ve sohbet botuna ekleyeceğin bir araç düğümü de oluşturacaksın.

Bu egzersiz

LangChain ile Aracı Sistemler Tasarlama

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

langgraph.prebuilt içinden bir araç düğümü tanımlamak için gerekli modülü içe aktar.
Ortamında bulunan uygun araç adlarını ekleyerek araçlar listesini tamamla.
tools listesini ToolNode() sınıfına aktar ve tool_node değişkenine ata.
.bind_tools() kullanarak tools listesini llm ile bağla.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Import modules required for defining tool nodes
from ____.____ import ____

# List of tools
tools = [____, ____, ____]

# Pass the tools to the ToolNode()
____ = ____(____)

# Bind tools to the LLM
model_with_tools = ____.____(____)

Kodu Düzenle ve Çalıştır

Bu egzersiz

LangChain ile Aracı Sistemler Tasarlama

kursunun bir parçasıdır

IntermediárioNível de habilidade

4.8+

Kursa Ücretsiz Başlayın

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: Building graphs for chatbots Exercise 2: Graph and agent states Exercise 3: Adding nodes and edges Exercise 4: Generating chatbot responses Exercise 5: Queries and responses Exercise 6: Generate a graph diagram Exercise 7: Adding external tools to a chatbot Exercise 8: Build a Wikipedia tool Exercise 9: Add a tool to a graph Exercise 10: Adding memory and conversation Exercise 11: Visualize the graph and return tool outputs Exercise 12: Adding graph memory Exercise 13: Using graph memory for conversation

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: Birden çok aracı tanımlama Exercise 2: LLM'i çağıran bir araç oluştur Exercise 3: Python koduyla bir araç oluştur Exercise 4: Birden fazla aracı bağlama

Geçerli Egzersiz

Exercise 5: Esnek fonksiyon çağrımı için düğüm ve kenarları tanımlama Exercise 6: Sohbet botunu durduran bir fonksiyon tanımla Exercise 7: Bir LLM yanıtı döndüren fonksiyon oluştur Exercise 8: Birden fazla araç için grafik iş akışını oluştur Exercise 9: Bellekle sohbet botu çıktılarını düzenle Exercise 10: Birden çok araç için çıktıları yapılandır Exercise 11: Bellekle çok turlu sohbeti etkinleştir Exercise 12: Tebrikler!