Conversation avec un agent ReAct

Concevoir des systèmes agentiques avec LangChain

Dilini K. Sumanapala, PhD

Founder & AI Engineer, Genverv, Ltd.

Conversation

L'aire d'un rectangle de côtés 5 et 7 est 35 unités carrées.

  • Validation des réponses

  • Utilisateur : « Quelle est l'aire d'un rectangle de côtés 5 et 7 ? »

  • Agent : « L'aire d'un rectangle de côtés 5 et 7 est 35 unités carrées. »
Concevoir des systèmes agentiques avec LangChain

Conversation

tools = [rectangle_area]
query = "What is the area of a rectangle with sides 14 and 4?"


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


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


# Define and print the input and output messages
print({
    "user_input": query,
    "agent_output": response["messages"][-1].content})
Concevoir des systèmes agentiques avec LangChain

Résultat de la conversation

{'user_input': 'What is the area of a rectangle with sides 14 and 4?',
 'agent_output': 'The area of a rectangle with sides 14 and 4 is 56 
 square units.'}
Concevoir des systèmes agentiques avec LangChain

Questions de relance

  • Relance :
    • Utilisateur : « Et pour des côtés 12 et 14 ? »
  • Historique de conversation :
    • Utilisateur : « Quelle est l'aire d'un rectangle de côtés 5 et 7 ? »
    • Agent : « L'aire d'un rectangle de côtés 5 et 7 est 35 unités carrées. »
    • Utilisateur : « Et pour des côtés 12 et 14 ? »
    • Agent : « L'aire d'un rectangle de côtés 12 et 14 est 168 unités carrées. »
  • Sortie
    • Utilisateur : « Et pour des côtés 12 et 14 ? »
    • Agent : « L'aire d'un rectangle de côtés 12 et 14 est 168 unités carrées. »
Concevoir des systèmes agentiques avec LangChain

Questions de relance

{'user_input': 'What about one with sides 12 and 14?',

'agent_output': ['HumanMessage: What is the area of a rectangle with sides 
5 and 7?', 'AIMessage: The area of a rectangle with sides 5 and 7 is 35 
square units.',
'HumanMessage: What about one with sides 12 and 14?', 
'AIMessage: The area of a rectangle with sides 12 and 14 is 168 square 
units.',

'HumanMessage: What about one with sides 12 and 14?',
'AIMessage: The area of a rectangle with sides 12 and 14 is 168 square 
units.']}
Concevoir des systèmes agentiques avec LangChain

Historique de conversation

from langchain_core.messages import 
HumanMessage, AIMessage
Concevoir des systèmes agentiques avec LangChain

Historique de conversation

from langchain_core.messages import 
HumanMessage, AIMessage


message_history = messages["messages"]

Début de la configuration d'une conversation linéaire avec « historique des messages ».

Concevoir des systèmes agentiques avec LangChain

Historique de conversation

from langchain_core.messages import 
HumanMessage, AIMessage

message_history = messages["messages"]

new_query = "What about one with sides 
4 and 3?"

Configuration de la conversation mise à jour avec la nouvelle requête.

Concevoir des systèmes agentiques avec LangChain

Historique de conversation

from langchain_core.messages import 
HumanMessage, AIMessage

message_history = messages["messages"]

new_query = "What about one with sides 
4 and 3?"


# Invoke the app with the full message history
messages = app.invoke({"messages": 
           message_history + [("human", 
           new_query)]})

Configuration de la conversation mise à jour avec l'appel à l'appli.

Concevoir des systèmes agentiques avec LangChain

Historique de conversation

# Extract the human and AI messages
filtered_messages = [msg for msg in 
                    messages["messages"] if 
                    isinstance(msg, 
                    (HumanMessage, 
                    AIMessage)) 
                    and msg.content.strip()]

Configuration de la conversation mise à jour avec le filtrage des messages.

Concevoir des systèmes agentiques avec LangChain

Historique de conversation

# Extract the human and AI messages
filtered_messages = [msg for msg in 
                    messages["messages"] if 
                    isinstance(msg, 
                    (HumanMessage, 
                    AIMessage)) 
                    and msg.content.strip()]


# Format and print the final result
print({
    "user_input": new_query, "agent_output": 
    [f"{msg.__class__.__name__}: 
    {msg.content}" for msg in 
    filtered_messages]})

Configuration de la conversation mise à jour avec l'affichage des messages.

Concevoir des systèmes agentiques avec LangChain

Sortie de l'historique de conversation

{'user_input': 'What about one with sides 4 and 3?',

'agent_output': ['HumanMessage: What is the area of a rectangle with sides 
14 and 4?', 'AIMessage: The area of a rectangle with sides 14 and 4 is 56 
square units.',
'HumanMessage: What about one with sides 4 and 3?', 
'AIMessage: The area of a rectangle with sides 4 and 3 is 12 square 
units.',

'HumanMessage: What about one with sides 4 and 3?',
'AIMessage: The area of a rectangle with sides 4 and 3 is 12 square 
units.']}
Concevoir des systèmes agentiques avec LangChain

Passons à la pratique !

Concevoir des systèmes agentiques avec LangChain

Preparing Video For Download...