Definiera noder och kanter för flexibla funktionsanrop

Designa agentbaserade system med LangChain

Dilini K. Sumanapala, PhD

Founder & AI Engineer, Genverv, Ltd.

Bygg ett arbetsflöde med flera verktyg

   

  • Flera tillgängliga verktyg

    • Palindrom
    • Historiska händelser
    • Wikipedia

Fullständigt chattrobot-arbetsflöde

Designa agentbaserade system med LangChain

Definiera arbetsflödesfunktioner

   

  • Skapa en stoppfunktion

Chattrobot- och verktygsnoder i arbetsflödet.

Designa agentbaserade system med LangChain

Definiera arbetsflödesfunktioner

   

  • Skapa en stoppfunktion

    • Kontrollera verktygssanrop

Regler för stoppfunktionen markerade.

Designa agentbaserade system med LangChain

Definiera arbetsflödesfunktioner

   

  • Skapa en stoppfunktion

    • Kontrollera verktygssanrop
    • Avsluta konversationen om inga finns

END-regler markerade i arbetsflödet

Designa agentbaserade system med LangChain

Definiera arbetsflödesfunktioner

   

  • Skapa en stoppfunktion

    • Kontrollera verktygssanrop
    • Avsluta konversationen om inga finns    

  • Skapa en dynamisk verktygskallare

    • Returnera ett verktygssvar om ett verktygssanrop finns

Call_model-regler markerade.

Designa agentbaserade system med LangChain

Definiera arbetsflödesfunktioner

   

  • Skapa en stoppfunktion

    • Kontrollera verktygssanrop
    • Avsluta konversationen om inga finns    

  • Skapa en dynamisk verktygskallare

    • Returnera ett verktygssvar om ett verktygssanrop finns
    • Anropa LLM med enbart chatbotnoden om inga verktygssanrop finns

Call_model-regler markerade.

Designa agentbaserade system med LangChain

Definiera arbetsflödesfunktioner

   

  • Skapa en stoppfunktion

    • Kontrollera verktygssanrop
    • Avsluta konversationen om inga finns    

  • Skapa en dynamisk verktygskallare

    • Returnera ett verktygssvar om ett verktygssanrop finns
    • Anropa LLM med enbart chatbotnoden om inga verktygssanrop finns

  • Kompilera hela grafen

Call_model-regler markerade.

Designa agentbaserade system med LangChain

Skapa en stoppvillkorsfunktion

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
Designa agentbaserade system med LangChain

Skapa en dynamisk verktygskallare

# 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"])]}
Designa agentbaserade system med LangChain

Skapa grafen

workflow = StateGraph(MessagesState)
Designa agentbaserade system med LangChain

Skapa grafen

workflow = StateGraph(MessagesState)


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

Chattrobot- och verktygsnoder.

Designa agentbaserade system med LangChain

Skapa grafen

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")

Lägg till START-nod till chatboten.

Designa agentbaserade system med LangChain

Skapa grafen

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])

Graf med tillagda villkor.

Designa agentbaserade system med LangChain

Skapa grafen

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")

Fullständigt grafarbetsflöde.

Designa agentbaserade system med LangChain

Lägga till minne

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

app = workflow.compile(
               checkpointer=memory)


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

Fullständigt grafarbetsflöde.

Designa agentbaserade system med LangChain

Nu kör vi en övning!

Designa agentbaserade system med LangChain

Preparing Video For Download...