ReAct ajanları

Kendi ReAct ajanını oluşturmayı deneme zamanı! ReAct, karar verme biçimlerini anlatan Reason and Act (Düşün ve Hareket Et) kısaltmasıdır. Bu egzersizde, LLM'ini Wikipedia'dan gelen harici verilerle entegre etmek için yerleşik wikipedia aracını yükleyeceksin. OpenAI'nin gpt-4o-mini modelini kullanan bir llm senin için zaten tanımlandı.

Not: wikipedia aracı, bağımlılık olarak wikipedia Python kütüphanesinin kurulu olmasını gerektirir; bu senin için halledildi.

Bu egzersiz

LangChain ile LLM Uygulamaları Geliştirme

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

load_tools() fonksiyonunu kullanarak "wikipedia" aracını yükle.
create_react_agent() ile bir ReAct ajanı tanımla; buna llm ve kullanacağı araçları geçir.
Verilen girdi üzerinde ajanı çalıştır ve response içindeki son iletinin içeriğini yazdır.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# 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].____)

Kodu Düzenle ve Çalıştır

Bu egzersiz

LangChain ile LLM Uygulamaları Geliştirme

kursunun bir parçasıdır

IntermediárioNível de habilidade

4.8+

Kursa Ücretsiz Başlayın

Welcome to the LangChain framework for building applications on LLMs! You'll learn about the main components of LangChain, including models, chains, agents, prompts, and parsers. You'll create chatbots using both open-source models from Hugging Face and proprietary models from OpenAI, create prompt templates, and integrate different chatbot memory strategies to manage context and resources during conversations.

Exercise 1: The LangChain ecosystem Exercise 2: OpenAI models in LangChain!Exercise 3: Hugging Face models in LangChain!Exercise 4: Prompt templates Exercise 5: Prompt templates and chaining Exercise 6: Chat prompt templates Exercise 7: Few-shot prompting Exercise 8: Creating the few-shot example set Exercise 9: Building the few-shot prompt template Exercise 10: Implementing few-shot prompting

Time to level up your LangChain chains! You'll learn to use the LangChain Expression Language (LCEL) for defining chains with greater flexibility. You'll create sequential chains, where inputs are passed between components to create more advanced applications. You'll also begin to integrate agents, which use LLMs for decision-making.

Exercise 1: Sıralı zincirler Exercise 2: Sıralı zincirler için ipucu oluşturma Exercise 3: LCEL ile sıralı zincirler Exercise 4: LangChain aracılarına giriş Exercise 5: Agent nedir?Exercise 6: ReAct ajanları

Geçerli Egzersiz

Exercise 7: Acenteler için özel araçlar Exercise 8: Araç kullanımı için bir işlev tanımlama Exercise 9: Özel araçlar oluşturma Exercise 10: Özel araçları ajanlarla entegre etme

One limitation of LLMs is that they have a knowledge cut-off due to being trained on data up to a certain point. In this chapter, you'll learn to create applications that use Retrieval Augmented Generation (RAG) to integrate external data with LLMs. The RAG workflow contains a few different processes, including splitting data, creating and storing the embeddings using a vector database, and retrieving the most relevant information for use in the application. You'll learn to master the entire workflow!

Exercise 1: Integrating document loaders Exercise 2: PDF document loaders Exercise 3: CSV document loaders Exercise 4: HTML document loaders Exercise 5: Splitting external data for retrieval Exercise 6: Splitting by character Exercise 7: Recursively splitting by character Exercise 8: Splitting HTML Exercise 9: RAG storage and retrieval using vector databases Exercise 10: Preparing the documents and vector database Exercise 11: Building a retrieval prompt template Exercise 12: Creating a RAG chain Exercise 13: Wrap-up!