Agentes no LangChain

Projetando Sistemas Agentes com LangChain

Dilini K. Sumanapala, PhD

Founder & AI Engineer, Genverv Ltd.

Conheça sua instrutora

    Foto da instrutora do curso.

   

  • Dilini K. Sumanapala, PhD

  • Engenheira de IA

  • Neurociência Cognitiva

  • Aplicações de Linguagem Natural

  • Fundadora, Genverv Ltd.

Projetando Sistemas Agentes com LangChain

Visão geral de agentes e ferramentas

Ícone de um robô representando um agente

 

  • Agentes

    Sistemas autônomos que tomam decisões e agem

  • Ferramentas

    Funções que agentes usam para tarefas específicas
    • Consulta de dados
    • Relatórios de pesquisa
    • Análise de dados
Projetando Sistemas Agentes com LangChain

Conceitos básicos

Cabeça de chatbot

   

  • LLMs (ex.: ChatGPT)

  • Prompts

  • Ferramentas

  • API

  • LangChain

    • Construção de agentes de IA
Projetando Sistemas Agentes com LangChain

Visão geral do curso

    Ícone de ferramentas, Wikipedia e um quebra-cabeça de rosto humano.

   

  • Problemas de matemática

  • Busca na Wikipedia

  • Alternar entre ferramentas e LLMs

Projetando Sistemas Agentes com LangChain

Diagrama de um cérebro e um balão de fala com consulta e raciocínio.

Projetando Sistemas Agentes com LangChain

Diagrama de um cérebro, engrenagens de ação e um balão de fala com consulta e raciocínio, ação e resposta.

Projetando Sistemas Agentes com LangChain

Diagrama de um cérebro e engrenagens com um balão de fala representando os componentes de um agente ReAct, com o rótulo ReAct abaixo.

Projetando Sistemas Agentes com LangChain

Como melhorar a precisão das respostas

    Captura de tela de uma resposta matemática incorreta de uma conversa anterior do ChatGPT. Resposta correta "483" adicionada na parte inferior da imagem.

   

  • Código

  • Matemática

1 https://community.openai.com/t/chatgpt-simple-math-calculation-mistake/62780
Projetando Sistemas Agentes com LangChain

Dividindo problemas

  Diagrama de operadores matemáticos.

 

Ordem das Operações

1. Parênteses

2. Expoentes

3. Multiplicação/Divisão

4. Adição/Subtração

Projetando Sistemas Agentes com LangChain

Expandindo agentes com LangGraph

      Diagrama de um fluxograma genérico à esquerda com o logo do LangGraph à direita.

Projetando Sistemas Agentes com LangChain

Estruturas de grafos

    Diagrama de um fluxograma com três ícones de documento abaixo representando o resultado de "arestas".

     

Nós

  • Consultar o banco de dados

  • Retornar o documento

     

Arestas

Regras que conectam nós

Projetando Sistemas Agentes com LangChain

Criar um agente ReAct

# Module imports

from langchain_core.tools import tool

from langchain_openai import ChatOpenAI

from langgraph.prebuilt import create_react_agent

import math


# LLM Setup
model = ChatOpenAI(openai_api_key="<OPENAI_API_TOKEN">, model="gpt-4o-mini")
Projetando Sistemas Agentes com LangChain

Criar um agente ReAct

# Create the agent
agent = create_react_agent(model, tools)


# Create a query
query = "What is (2+8) multiplied by 9?"


# Invoke the agent and print the response
response = agent.invoke({"messages": [("human", query)]})


# Print the agent's response
print(response['messages'][-1].content)

<script.py> output:
    The result of (2 + 8) multiplied by 9 is 90.
Projetando Sistemas Agentes com LangChain

Vamos praticar!

Projetando Sistemas Agentes com LangChain

Preparing Video For Download...