Définir des nœuds et des arêtes pour des appels de fonctions flexibles

Concevoir des systèmes agentiques avec LangChain

Dilini K. Sumanapala, PhD

Founder & AI Engineer, Genverv, Ltd.

Créer un workflow multi-outils

   

  • Plusieurs outils disponibles

    • Palindrome
    • Événements historiques
    • Wikipédia

Workflow complet du chatbot

Concevoir des systèmes agentiques avec LangChain

Définir des fonctions de workflow

   

  • Créer une fonction d'arrêt

Nœuds chatbot et outils du workflow.

Concevoir des systèmes agentiques avec LangChain

Définir des fonctions de workflow

   

  • Créer une fonction d'arrêt

    • Vérifier les appels d’outil

Règles de la fonction d'arrêt mises en évidence.

Concevoir des systèmes agentiques avec LangChain

Définir des fonctions de workflow

   

  • Créer une fonction d'arrêt

    • Vérifier les appels d’outil
    • Terminer si aucun

Règles END mises en évidence dans le workflow

Concevoir des systèmes agentiques avec LangChain

Définir des fonctions de workflow

   

  • Créer une fonction d'arrêt

    • Vérifier les appels d’outil
    • Terminer si aucun    

  • Créer un appelant d’outils dynamique

    • Retourner la réponse d’un outil si un appel est présent

Règles Call_model mises en évidence.

Concevoir des systèmes agentiques avec LangChain

Définir des fonctions de workflow

   

  • Créer une fonction d'arrêt

    • Vérifier les appels d’outil
    • Terminer si aucun    

  • Créer un appelant d’outils dynamique

    • Retourner la réponse d’un outil si un appel est présent
    • Appeler le LLM avec seulement le nœud chatbot s’il n’y a pas d’appel d’outil

Règles Call_model mises en évidence.

Concevoir des systèmes agentiques avec LangChain

Définir des fonctions de workflow

   

  • Créer une fonction d'arrêt

    • Vérifier les appels d’outil
    • Terminer si aucun    

  • Créer un appelant d’outils dynamique

    • Retourner la réponse d’un outil si un appel est présent
    • Appeler le LLM avec seulement le nœud chatbot s’il n’y a pas d’appel d’outil

  • Compiler le graphe complet

Règles Call_model mises en évidence.

Concevoir des systèmes agentiques avec LangChain

Créer une fonction de condition d’arrêt

from langgraph.graph import MessagesState, START, END


# Use MessagesState to define the state of the stopping function
def should_continue(state: MessagesState):


    # Get the last message from the state
    last_message = state["messages"][-1]


    # Check if the last message includes tool calls
    if last_message.tool_calls:
        return "tools"


    # End the conversation if no tool calls are present
    return END
Concevoir des systèmes agentiques avec LangChain

Créer un appelant d’outils dynamique

# Extract the last message from the history
def call_model(state: MessagesState):

    last_message = state["messages"][-1]


    # If the last message has tool calls, return the tool's response
    if isinstance(last_message, AIMessage) and last_message.tool_calls:


        # Return the messages from the tool call
        return {"messages": [AIMessage(content=last_message.tool_calls[0]["response"])]}


    # Otherwise, proceed with a regular LLM response
    return {"messages": [model_with_tools.invoke(state["messages"])]}
Concevoir des systèmes agentiques avec LangChain

Créer le graphe

workflow = StateGraph(MessagesState)
Concevoir des systèmes agentiques avec LangChain

Créer le graphe

workflow = StateGraph(MessagesState)


# Add nodes for chatbot and tools
workflow.add_node("chatbot", call_model)
workflow.add_node("tools", tool_node)

Nœuds chatbot et outils.

Concevoir des systèmes agentiques avec LangChain

Créer le graphe

workflow = StateGraph(MessagesState)


# Add nodes for chatbot and tools
workflow.add_node("chatbot", call_model)
workflow.add_node("tools", tool_node)


# Connect the START node to the chatbot
workflow.add_edge(START, "chatbot")

Ajouter START au chatbot.

Concevoir des systèmes agentiques avec LangChain

Créer le graphe

workflow = StateGraph(MessagesState)


# Add nodes for chatbot and tools
workflow.add_node("chatbot", call_model)
workflow.add_node("tools", tool_node)


# Connect the START node to the chatbot
workflow.add_edge(START, "chatbot")


# Define conditions, then loop back to chatbot
workflow.add_conditional_edges("chatbot", 
         should_continue, ["tools", END])

Graphe avec conditions ajoutées.

Concevoir des systèmes agentiques avec LangChain

Créer le graphe

workflow = StateGraph(MessagesState)


# Add nodes for chatbot and tools
workflow.add_node("chatbot", call_model)
workflow.add_node("tools", tool_node)


# Connect the START node to the chatbot
workflow.add_edge(START, "chatbot")


# Define conditions, then loop back to chatbot
workflow.add_conditional_edges("chatbot", 
         should_continue, ["tools", END])

workflow.add_edge("tools", "chatbot")

Workflow du graphe complet.

Concevoir des systèmes agentiques avec LangChain

Ajouter de la mémoire

# Set up memory and compile the workflow
memory = MemorySaver()

app = workflow.compile(
               checkpointer=memory)


display(Image(app.get_graph()
        .draw_mermaid_png()))

Workflow du graphe complet.

Concevoir des systèmes agentiques avec LangChain

Passons à la pratique !

Concevoir des systèmes agentiques avec LangChain

Preparing Video For Download...