Bir Wikipedia aracı oluştur

Okul yönetimi yaptığın işten oldukça memnun! Sohbetbotunu harici kaynakları da kullanacak şekilde daha da güçlü hale getirmek istiyorlar. Sen de sohbetbotuna Wikipedia erişimi eklemeyi öneriyorsun. Yönetim görevlendirmeni uzatmayı kabul ediyor, bu yüzden Wikipedia API’sini kullanarak sohbetbotu için bir araç oluşturmaya karar veriyorsun.

Başlaman için şu modüller içe aktarıldı: WikipediaQueryRun, WikipediaAPIWrapper

Bu egzersiz

LangChain ile Aracı Sistemler Tasarlama

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

Yalnızca en üst Wikipedia sonucunu çekmek için top_k_results=1 ile WikipediaAPIWrapper()’ı başlatan bir api_wrapper oluştur.
api_wrapper’ı girdisi olarak geçirip wikipedia_tool adında bir WikipediaQueryRun() aracı oluştur ve bunu tools adlı bir listeye kaydet.
tools listesini .bind_tools() metoduna geçirerek llm ile bağla.
Sohbetbotunun aracı kullanarak yanıt vermesini sağlamak için state içindeki "messages" içeriğini .invoke() metoduna geçir ve bunu llm_with_tools üzerinde uygula.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Initialize Wikipedia API wrapper to fetch top one result
api_wrapper = ____(top_k_results=1)

# Create a Wikipedia query tool using the API wrapper
wikipedia_tool = ____(api_wrapper=____)
tools = [____]

# Bind the Wikipedia tool to the language model
llm_with_tools = ____.____(____)

# Modify chatbot function to respond with Wikipedia
def chatbot(state: State):
    return {"messages": [____.____(____["____"])]}

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: Sohbet botları için grafikler oluşturma Exercise 2: Graf ve ajan durumları Exercise 3: Düğüm ve kenar ekleme Exercise 4: Sohbet botu yanıtları üretme Exercise 5: Sorgular ve yanıtlar Exercise 6: Bir grafik diyagramı oluştur Exercise 7: Bir sohbete dayalı bota harici araçlar ekleme Exercise 8: Bir Wikipedia aracı oluştur

Geçerli Egzersiz

Exercise 9: Bir grafiğe araç ekle Exercise 10: Bellek ve sohbet ekleme Exercise 11: Grafiği görselleştir ve araç çıktıları döndür Exercise 12: Grafa bellek ekleme Exercise 13: Sohbet için grafik belleğini kullanma

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!