Мастер-класс по LangChain Для Начинающих 2024 [+20 Примеров, LangChain V0.2]

• Видео предназначено для начинающих, желающих освоить Llama Chain.  

• Вы узнаете, как создавать чат-ботов, агентов и инструменты для автоматизации задач.  

• Руководство структурировано от основ до продвинутых функций.  

• В видео более 20 примеров кода для копирования и использования.  

• В описании видео есть ссылка на бесплатный доступ к исходному коду.  

• Автор создал бесплатное сообщество для разработчиков ИИ с более чем 1500 активными членами.  

• Сообщество предлагает поддержку, коучинговые звонки и возможность задать вопросы.  

• Настройка локальной среды для запуска примеров Llama Chain.  

• Работа с моделями чатов и шаблонами приглашений.  

• Автоматизация задач с помощью Llama Chain.  

• Глубокое изучение RAG и агентов.  

• Рекомендуется просмотреть видео на двухкратной скорости для лучшего понимания.  

• Повторное просмотр для глубокого изучения конкретных тем.  

• Настройка локальной среды для запуска примеров.  

• Установка Python и Poetry для управления зависимостями.  

• Использование Poetry для установки зависимостей и запуска примеров.  

• Обновление переменных среды для работы с OpenAI и другими ключами.  

• Настройка Visual Studio Code для работы с новой средой Python.  

• Решение проблемы с закорючками в коде.  

• Использование Poetry Shell для синхронизации зависимостей и устранения проблем с кодом.  

• Модели чата Lanchain упрощают взаимодействие с крупными языковыми моделями.  

• Поддерживаются модели, такие как ChatGPT, Claw, Gemini и другие.  

• Используется версия 0.2 Lanchain, так как версия 0.1 скоро устареет.  

• Lanchain предоставляет список поддерживаемых моделей.  

• Модели могут поддерживать различные функциональные возможности, такие как вывод JSON и мультимодальность.  

• Для работы с моделью нужно добавить её в среду через команду "use".  

• OpenAI Chat Models кратко описаны и имеют документацию по настройке.  

• Пример кода показывает, как начать использовать модели чата.  

• В каждом файле будет ссылка на дополнительную документацию.  

• Загрузка переменных окружения для доступа к ключам API.  

• Создание модели чата, например, JetGPT 40.  

• Использование функции .invoke для взаимодействия с моделью.  

• Пример использования модели для выполнения запроса.  

• Получение результатов и метаданных от модели.  

• Основное внимание уделяется получению контента, а не метаданных.  

• Переход к примеру, показывающему ведение базовой беседы с моделью чата.  

• Возможность передачи большего количества информации и ведения полноценного разговора.  

• Три типа сообщений: системное, от человека и от ИИ.  

• Системное сообщение задает контекст разговора.  

• Примеры системных сообщений: "Эй, ты профессиональный бухгалтер" или "Эй, ты профессиональный инженер-программист на Python".  

• Диалог хранится в списке сообщений.  

• Системное сообщение всегда идет первым.  

• Пример системного сообщения: "Эй, решите математическую задачу".  

• Использование функции "Вызвать" для передачи истории сообщений.  

• Пример работы с ChatGPT: "81, разделенное на 9, равно 9".  

• Продолжение разговора с добавлением ответов ИИ и сообщений от человека.  

• Обратная связь помогает ИИ улучшать свои ответы.  

• Пример: "Сделай это менее формальным, составь маркированный список".  

• Хранение истории сообщений помогает ИИ учиться на ошибках.  

• Переход к изучению других моделей чата, таких как Anthropic и Google Gemini.  

• Link Chain упрощает работу с различными моделями.  

• Разные модели подходят для разных задач: дешевле, быстрее, лучше справляются с задачами.  

• Link Chain позволяет легко работать с разными моделями.  

• Ссылки на документацию по моделям чата для изучения их возможностей.  

• Переход к следующему примеру: общение с пользователем через терминал.  

• Начало общения с ИИ в реальном времени.  

• Создание модели чата и списка истории чата.  

• Добавление системного сообщения в историю чата.  

• Запрос у пользователя вопроса или подсказки.  

• Обработка ключевого слова "выход" для завершения разговора.  

• Добавление запроса в историю чата и передача его модели.  

• Обновление истории чата с ответом ИИ.  

• Запуск проекта модели чата.  

• Пример запроса и ответа с использованием OpenAI.  

• Возможность сохранения истории чата локально или в облаке.  

• Сохранение сообщений в облаке с помощью Firebase.  

• Инструкции по установке и настройке Firebase.  

• Создание учетной записи и проекта Firebase.  

• Включение функции Firestore database.  

• Копирование идентификатора проекта и других данных.  

• Установка интерфейса командной строки Google Cloud.  

• Аутентификация локального компьютера в Google Cloud.  

• Создание учетной записи сервиса.  

• Инициализация клиента Firestore и создание коллекции истории чата.  

• LangChain предоставляет различные способы хранения сообщений, включая Firestore.  

• Сообщения могут сохраняться локально с помощью класса file message history.  

• Сообщения искусственного интеллекта передаются и сохраняются в облаке.  

• Инициализация клиента Firestore для хранения истории чата.  

• Добавление сообщений пользователей и ИИ в историю чата.  

• Пример общения с ChatGPT и проверка хранения сообщений в облаке.  

• Сообщения хранятся в виде байтовых строк в Firebase и Firestore.  

• Возможность перезапуска чата с сохранением текущей истории.  

• Возможность ссылаться на предыдущие сообщения в чате.  

• Обзор возможностей работы с моделями чата.  

• Переход к следующему модулю, посвященному шаблонам подсказок.  

• Призыв задавать вопросы и участвовать в еженедельных тренерских звонках.  

• Модуль посвящен шаблонам подсказок и их важности для разработчиков.  

• Шаблоны подсказок помогают структурировать запросы к моделям чата.  

• Пример использования шаблонов подсказок для генерации шуток.  

• Создание шаблона подсказки и передача переменных для заполнения.  

• Использование словаря ввода для замены переменных в шаблоне.  

• Пример использования шаблонов подсказок для отладки кода с помощью OpenAI.  

• Создание структурированных подсказок для упрощения работы.  

• Добавление пользовательских данных в шаблоны подсказок.  

• Переход к первому примеру работы с шаблонами подсказок.  

• Пошаговое руководство по коду состоит из трех частей.  

• Основная цель - создание подсказок для чат-моделей.  

• Создание шаблона запроса для замены переменных.  

• Преобразование строки в шаблон для замены переменных.  

• Передача входного словаря с ключами и значениями.  

• Использование функции invoke для замены переменных.  

• Запуск кода на Python.  

• Пример замены одного значения в шаблоне.  

• Пример замены нескольких значений в шаблоне.  

• Определение типов сообщений и замена переменных.  

• Использование кортежей для определения типа сообщения и его содержания.  

• Пример создания списка сообщений для моделей чата.  

• Важность использования кортежей для интерполяции строк.  

• Пример успешного использования кортежей.  

• Пример неудачного использования кортежей и объяснение проблемы.  

• Переход к следующему примеру использования шаблонов подсказок с моделью чата.  

• Объяснение важности шаблонов приглашений.  

• Загрузка переменных окружения и создание модели чата с использованием OpenAI.  

• Создание шаблонов подсказок и их передача модели.  

• Использование функции invoke для замены значений в шаблонах.  

• Передача приглашения модели и получение результата.  

• Пример запуска программы и демонстрация работы шаблонов.  

• Запуск программы и демонстрация создания шуток с помощью шаблонов.  

• Примеры анекдотов и шуток с различными подсказками.  

• Подготовка к переходу к третьему разделу о цепочках.  

• Объяснение понятия цепочки и её важности.  

• Объединяем задачи в цепочку и передаем входные данные.  

• Использование LChain Expression Language для создания цепочек.  

• Возможность выполнения задач параллельно.  

• Объединение результатов параллельных задач.  

• Разветвление цепочек на основе результатов действий.  

• Теоретические аспекты цепочек.  

• Переход к коду и создание простой модели первого уровня.  

• Обзор всех возможных вариантов использования цепочек.  

• Пример кода для работы с цепочками.  

• Использование тех же примеров, но переформатированных для работы с цепочками.  

• Создание модели чата и шаблона приглашения.  

• Передача данных в анализатор строк.  

• Объяснение работы синтаксического анализатора строк.  

• Запуск изменений для демонстрации простоты и меньшего количества кода.  

• Пример вывода данных с использованием токенов.  

• Использование анализатора вывода строк для получения окончательного текста.  

• Сравнение с предыдущим подходом и упрощение кода.  

• Переход к следующему примеру для понимания работы цепочек.  

• Создание параллельных цепочек и разветвлений.  

• Продолжение обучения на основе предыдущих примеров.  

• Пример 2 в модуле "Цепочки" объясняет, как работают цепочки "под капотом".  

• Основные понятия: запускаемые последовательности, запускаемые объекты и запускаемая лямбда-функция.  

• Создание моделей, загрузка переменных окружения и создание подсказок.  

• Лямбда-функции как быстрый способ создания функций.  

• Исполняемая последовательность: выполнение задач последовательно.  

• Создание исполняемой лямбды в формате подсказки.  

• Использование шаблона подсказки и запрос на форматирование.  

• Передача аргументов и распространение словаря.  

• Создание задачи invoke model и преобразование данных в сообщения.  

• Извлечение содержимого из выходных данных с помощью синтаксического анализатора.  

• Последовательность задач: получение выходных данных от одной задачи и передача их следующей.  

• Пример использования языка выражений l-цепочки.  

• Три свойства: 1-й, средний и последний.  

• 1-й элемент - запускаемый объект, последний - запускаемый объект, средний - список.  

• Пример кода с запросом на форматирование, передачей в модель и выводом результата.  

• Запуск кода и получение трех шуток про юристов.  

• Сравнение с использованием языка l-цепных выражений.  

• Преимущества языка цепных выражений и переход к следующему разделу.  

• Пример демонстрирует расширение цепочек и добавление дополнительных задач.  

• Загрузка переменных окружения, создание модели и подсказки.  

• Расширение цепочки: ввод выходных данных в верхний регистр и подсчет слов.  

• Добавление управляемого лямбда-кода для обработки функций любого типа.  

• Манипуляции со строками: преобразование в верхний регистр.  

• Возможность выполнения вызовов API с помощью лямбда-функций.  

• Подсчет количества слов и времени ввода данных.  

• Печать информации о количестве слов и времени.  

• Пример успешного выполнения кода: все слова в верхнем регистре.  

• Переход к обсуждению управления цепочками параллельно.  

• Ожидание, что этот раздел также будет полезен.  

• Пример кода для параллельного запуска цепочек.  

• Применение в создании постов в социальных сетях.  

• Визуальное представление кода и его компонентов.  

• Создание двух ветвей: для плюсов и минусов.  

• Объединение плюсов и минусов в окончательный список.  

• Визуальное объяснение работы кода.  

• Создание подсказки с названием продукта.  

• Модель генерирует список функций.  

• Извлечение плюсов и минусов из функций.  

• Создание шаблонов подсказок и передача их модели.  

• Параллельное выполнение ветвей "за" и "против".  

• Анализ плюсов и минусов с помощью модели.  

• Создание словаря с плюсами и минусами.  

• Передача данных в комбинированную функцию.  

• Печать конечного результата в виде списка.  

• Объяснение работы управляемой параллели.  

• Преимущества параллельного запуска цепочек.  

• Призыв к вопросам и помощи в сообществе.  

• Переход к следующему заданию по разветвлению цепочек.  

• Пример Fizz в модуле Chain рассматривает ветвление.  

• Цепочка состоит из двух частей: цепочка классификации и управляемая ветвь.  

• Цепочка классификации обрабатывает отзывы клиентов: положительные, отрицательные, нейтральные и эскалация.  

• Запрос обратной связи заполняется данными от пользователя.  

• Отзывы классифицируются по ключевым словам: положительный, нейтральный, отрицательный, эскалация.  

• Управляемая ветвь используется для условного запуска различных цепочек в зависимости от категории отзыва.  

• Различные шаблоны подсказок для положительной, отрицательной, нейтральной и эскалации обратной связи.  

• Создание подсказок для классификации отзывов.  

• Управляемая ветвь использует лямбда-функцию для условного запуска цепочек.  

• Пример использования управляемой ветви для положительной цепочки.  

• Использование шаблонов подсказок для создания сообщений для пользователей.  

• Возможность создания ветки по умолчанию для эскалации.  

• Запуск программы для положительного и отрицательного отзывов.  

• Пример работы различных путей ветвления.  

• Переход к следующему модулю, посвященному дополненному поиску RAG.  

• Обзор технологии дополненного поиска RAG.  

• Необходимость RAG для больших языковых моделей LLM.  

• Примеры использования RAG для загрузки PDF-файлов, веб-сайтов, исходного кода и видеозаписей.  

• Обзор работы Rag с использованием блок-схемы.  

• Основные понятия: векторное хранилище, вложения, LLM, блоки, токены.  

• Цель: понять, как задавать вопросы и извлекать информацию из PDF-файлов.  

• Пример с документом о приготовлении блюда.  

• Генерация ответов ИИ на основе вопросов.  

• Важность понимания связи между базой данных и ретривером.  

• Пример с поиском информации о профессоре-оборотне в "Гарри Поттере".  

• Разделение PDF-файла на фрагменты для анализа.  

• Преобразование фрагментов в числовые представления для сравнения.  

• Преобразование текста в числовые вложения.  

• Пример с словами "собака", "кошка" и "дом".  

• Вклады позволяют легко сравнивать и искать похожие фразы.  

• Преобразование фрагментов текста в вложения.  

• Сохранение вложений и оригинального текста в векторном хранилище.  

• Пример с вопросом о профессоре-оборотне и извлечением соответствующих фрагментов.  

• Разделение больших текстовых источников на мелкие фрагменты.  

• Преобразование фрагментов в вложения для сравнения.  

• Переход к коду для более глубокого понимания работы Rag.  

• Пример кода разделен на две части: "а" и "б".  

• Часть "а" связана с преобразованием текстового источника в векторное хранилище.  

• Часть "б" посвящена извлечению документов из векторного хранилища.  

• Установка путей к файлам для подключения к исходному текстовому источнику.  

• Пример с книгой "Одиссея" и папкой "Книги".  

• Создание постоянного каталога для хранения базы данных.  

• Проверка существования постоянного каталога.  

• Загрузка файла с помощью текстового загрузчика.  

• Разбиение текста на фрагменты по 1000 символов.  

• Использование модели "три маленьких текстовых вложения".  

• Сохранение фрагментов в векторное хранилище.  

• Запуск приложения для создания вложений и векторного хранилища.  

• Подтверждение создания векторного хранилища.  

• Переход к части "б" для извлечения информации из хранилища.  

• Указание на векторное хранилище и встраивание для извлечения документов.  

• Главный герой - Одиссей, и мы хотим узнать, кто его жена.  

• Используем веб-сайт chroma db для визуализации процесса.  

• Преобразуем запрос в вложение и извлекаем документы из базы данных chroma.  

• Ретривер отвечает на запрос и возвращает соответствующие документы.  

• Используем пороговую оценку сходства для поиска документов.  

• Пороговая оценка определяет, насколько документ должен соответствовать запросу.  

• Возвращаем k ближайших документов, где k - случайная буква с цифрой.  

• Ограничение на количество токенов для LLM.  

• Вызываем функцию invoke для выполнения действий с моделями.  

• Возвращаем три документа, связанных с женой Одиссея.  

• В первом документе упоминается Пенелопа как жена Одиссея.  

• Показываем, как можно изменить параметры для получения разных результатов.  

• Увеличиваем пороговое значение до 0,09, что означает "очень, очень похоже".  

• Получаем ошибку, так как нет соответствующих документов.  

• Делаем вывод, что слишком строгая оценка может привести к отсутствию результатов.  

• Подводим итоги первой части.  

• Планируем добавить метаданные в документы для сортировки и анализа.  

• Переходим к следующей части для работы с метаданными.  

• Метаданные важны для RAG, так как помогают избежать галлюцинаций.  

• Метаданные указывают источник информации, что позволяет проверять достоверность данных.  

• Пример: информация о собрании компании с указанием источников.  

• Пример кода для настройки метаданных в RAG.  

• Загрузка множества книг для запроса о персонаже и книге.  

• Использование базы данных Chroma DB с метаданными.  

• Проверка наличия постоянного каталога и настройка векторного хранилища.  

• Добавление метаданных к каждому загруженному документу.  

• Пример: указание источника книги при загрузке.  

• Итерация по документам и добавление метаданных.  

• Разделение документов на токены и сохранение в векторное хранилище.  

• Настройка файловых каталогов и создание нового экземпляра Chroma.  

• Запуск кода для запроса информации о Ромео и Джульетте.  

• Получение информации о смерти Джульетты с метаданными.  

• Проверка достоверности данных и переход к следующему этапу.  

• Пример номер три в модуле rag рассматривает различные способы разделения текста.  

• Будут изучены методы разделения текста на символы, предложения, абзацы и т.д.  

• Будут созданы различные векторные хранилища для сравнения методов разделения.  

• Настройка файловых каталогов для книги "Ромео и Джульетта".  

• Динамическое создание четырех или пяти векторных хранилищ.  

• Загрузка книги и указание векторного хранилища.  

• Указание типа разделителя текста и параметров.  

• Разделение документа на фрагменты и создание векторного хранилища.  

• Указание постоянного каталога и сохранение данных в базе данных chroma.  

• Разделение на основе символов: подходит для контента без синтаксического смысла.  

• Разделение на предложения: используется для длинных абзацев.  

• Разделение на токены: может исключать части слов.  

• Рекурсивное разделение: рекомендуется для естественного разделения предложений и абзацев.  

• Пользовательское разделение: позволяет создавать собственные разделители, например, для абзацев.  

• Создание векторных хранилищ для каждой базы данных.  

• Запрос векторных хранилищ с вопросом "Как умерла Джульетта?".  

• Настройка поисковика и параметров поиска для оценки сходства.  

• Сравнение результатов разделения текста для различных методов.  

• Рекурсивное разделение показывает лучшие результаты.  

• Пользовательское разделение не всегда эффективно.  

• Рекомендация использовать рекурсивное разделение для начинающих.  

• Переход к следующему модулю для обсуждения типов встраиваний в программе rag.  

• В этом примере мы углубимся во встраивание и покажем, как использовать пользовательские встраивания.  

• Мы рассмотрим модели встраиваний от OpenAI и Hugging Face.  

• Загрузим книгу и создадим два разных хранилища векторов.  

• Используем функцию "создать хранилище векторов".  

• Первое встраивание будет от OpenAI, второе - от Hugging Face.  

• OpenAI встраивание требует оплаты, но обеспечивает высокую точность.  

• Загружаем модель встраивания с сайта Hugging Face.  

• Hugging Face позволяет запускать модели локально и бесплатно.  

• Используем трансформатор предложения для встраивания.  

• Создаем два векторных хранилища: одно для OpenAI, другое для Hugging Face.  

• Встраивание от Hugging Face требует загрузки большого файла.  

• Проводим сравнение результатов встраиваний.  

• Сравниваем результаты встраиваний OpenAI и Hugging Face.  

• OpenAI возвращает больше релевантной информации, но требует оплаты.  

• Hugging Face позволяет запускать модели локально бесплатно, но менее эффективно.  

• Переходим к работе с ретриверами и изучению различных типов поиска и аргументов.  

• Это поможет улучшить работу с различными приложениями Rag.  

• Переходим к примеру номер пять.  

• Пример посвящен углублению в поисковые системы и обновление методов поиска документов в векторных хранилищах.  

• Цель - настроить параметры поиска для достижения различных результатов.  

• Будут рассмотрены различные типы поисковых запросов и способы передачи пользовательских параметров.  

• Используется старое векторное хранилище с метаданными и книгами.  

• Разворачивается экземпляр chroma db.  

• Будут опробованы три-четыре примера поиска в векторном хранилище.  

• Динамическая настройка и создание ретриверов для сравнения различных вариантов.  

• Получение информации с помощью различных типов ретриверов для сопоставления документов.  

• Получение трех лучших результатов, превышающих пороговый показатель.  

• Возможность фильтрации данных без использования порога.  

• Поиск не только актуальной информации, но и смежной информации.  

• Пример с запросом о смерти Джульетты, где метод максимальной релевантности дает более развернутый ответ.  

• Запуск кода для демонстрации работы различных методов поиска.  

• Анализ результатов для разных векторных хранилищ.  

• Пример с обычной оценкой сходства: три документа, наиболее похожих на запрос.  

• Пример с максимальной релевантностью: получение нужной информации и дополнительной контекстуальной информации.  

• Пример с пороговым значением: получение всех результатов в пределах подобия.  

• Обзор различных подходов к извлечению информации из векторного хранилища.  

• Переход к следующему примеру, где будет задан вопрос и получен ответ от искусственного интеллекта.  

• Пример номер шесть в модуле rag научит связывать информацию из векторного хранилища.  

• Информация будет передана LLM для генерации ответа.  

• Начнем с захвата местоположения векторного хранилища и общения с ним.  

• Используем метод поиска сходства для извлечения документов.  

• Генерируем запрос и передаем контент из векторного хранилища в модель чата.  

• Создаем приглашение и извлекаем содержимое документов для генерации ответа.  

• Используем модель чата OpenAI для генерации сообщений.  

• Передаем комбинированные данные в модель для получения ответа ИИ.  

• Пример ответа: "Если вы хотите узнать больше о lang chain, вот моя рекомендация".  

• Пример ответа ИИ: ссылка на официальную документацию и канал YouTube.  

• ИИ генерирует ответ, используя информацию из документов.  

• Пример показывает, как можно манипулировать текстом для генерации ответа.  

• Пример номер семь - самый сложный и полезный в модуле rag.  

• Позволяет взаимодействовать с приложением rag, задавая вопросы и получая ответы.  

• Используем ChatGPT-40 в качестве LLM.  

• Создаем цепочку поиска для извлечения информации из векторного хранилища.  

• Используем библиотеку и функцию create stuff documents chain для извлечения документов.  

• Цель - получить результат на основе информации из векторного хранилища и текущего разговора.  

• Модель создает цепочку для передачи документов другим пользователям.  

• Для работы модели требуется подсказка для контроля качества.  

• Подсказка включает инструкции для ассистента, который отвечает на вопросы.  

• История чата будет использоваться для передачи информации.  

• Ретривер извлекает информацию из векторного хранилища.  

• Подсказка для ретривера включает интерпретацию и переформулирование вопросов.  

• Настройка включает оценку сходства и получение трех лучших результатов.  

• Цепочка поиска состоит из ретривера и цепочки вопросов и ответов.  

• История чата используется для контекстуализации подсказок.  

• Пример включает запуск программы и передачу запроса пользователя.  

• Результаты распечатываются и добавляются в историю чата.  

• Пример показывает, как цепочка поиска работает с вопросами и ответами.  

• Пример демонстрирует использование информации из векторного хранилища.  

• При возникновении вопросов можно обратиться в школьное сообщество.  

• Переход к следующему модулю, посвященному очистке веб-страниц и использованию информации из Интернета.  

• Рассматриваются два способа извлечения информации из Интернета.  

• Первый способ: простой пример с веб-загрузчиком.  

• Второй способ: использование инструмента Firecrawl для лучших результатов.  

• Настройка каталогов и путей к файлам.  

• Использование веб-загрузчика для соскребания информации с сайта Apple.com.  

• Разделение текста на части и передача фрагментов в векторное хранилище.  

• Просмотр результатов: пять фрагментов с сайта Apple.  

• Добавление ключевых фраз в базу данных.  

• Задавание вопросов векторному хранилищу для получения информации.  

• Firecrawl: бесплатный инструмент для извлечения данных с веб-сайтов.  

• Регистрация бесплатной учетной записи и настройка API ключа.  

• Использование загрузчика Firecrawl для соскребания информации.  

• Настройка постоянной базы данных для векторного хранилища.  

• Использование режима "scrape" для соскребания веб-сайта.  

• Добавление метаданных и фрагментов в векторное хранилище.  

• Сбор 14 фрагментов информации по сравнению с 3-5 в первом примере.  

• Firecrawl лучше справляется с извлечением информации, включая JavaScript.  

• Обновление вопросов для получения актуальной информации.  

• Firecrawl подходит для извлечения информации из форумов и обсуждений.  

• Переход к следующему модулю, где будут рассмотрены агенты и инструменты.  

• В этом модуле мастер-класса по LLM вы узнаете об использовании агентов и инструментов.  

• Агенты - это LLM с конкретной подсказкой для управления поведением.  

• Инструменты предоставляют агентам дополнительные функциональные возможности.  

• Агенты работают как конечные автоматы, проходя через различные состояния.  

• В состоянии действия агенты выполняют определенные задачи.  

• Пример: агент-писатель пишет краткий обзор новостей.  

• В состоянии обдумывания агенты планируют будущие действия.  

• Пример: добавление нового пункта в список новостей.  

• В фазе наблюдения агенты проверяют выполнение задач.  

• Инструменты наделяют агентов сверхспособностями.  

• Примеры инструментов: поиск в Интернете, выполнение кода, взаимодействие с базами данных.  

• Инструменты позволяют агентам взаимодействовать с внешним миром.  

• Пример: поиск новостей, составление графика корреляции статей.  

• Агенты используют инструменты для выполнения задач, таких как генерация кода и выполнение задач.  

• В следующих примерах кода вы увидите, как это работает на практике.  

• Пример будет посвящен агентам и инструментам в реальном коде.  

• Сначала рассмотрим пример на высоком уровне, затем углубимся в изучение агентов и инструментов.  

• Начнем с загрузки переменных окружения и создания простого инструмента для получения текущей даты и времени.  

• LLMS имеют ограничения по дате и времени, поэтому добавим инструмент для получения текущего времени.  

• Создаем функцию, которая импортирует datetime и возвращает текущее время в формате "час:минута".  

• Функция будет использоваться в инструменте для получения времени.  

• Используем класс инструментов из библиотеки blank chain core tools.  

• Даем инструменту описательное название и передаем функцию для выполнения.  

• Добавляем инструмент в список инструментов, который будет использоваться агентами.  

• Агенты создаются с помощью шаблонов подсказок, которые указывают LLM, как действовать.  

• Шаблон подсказки включает действия, наблюдения, планирование и окончательный ответ.  

• Пример шаблона: "Ответь на следующий вопрос как можно лучше, используя доступные инструменты".  

• Использование подсказок других людей для создания агента.  

• Выбор модели ChatGPT-4 для создания агента.  

• Настройка агента с помощью приглашений и инструментов.  

• Импорт классов из репозитория агентов LChain.  

• Объединяем все ингредиенты для создания агента в один класс.  

• Передача информации агенту-исполнителю для управления его работой.  

• Агент-исполнитель помогает управлять работой агента.  

• Использование инструментов для запуска агента.  

• Передача входных данных агенту через словарь.  

• Запуск агента в терминале и наблюдение за его действиями.  

• Агент выбирает инструмент и выполняет действие.  

• Получение окончательного ответа от агента.  

• Агент генерирует объект с исходными данными и окончательным ответом.  

• Углубление в изучение агентов и инструментов.  

• Переход к примерам глубокого погружения в ChatGPT-4.  

• Пример углубляется в работу с различными типами агентов.  

• Замена базовых подсказок и добавление новых инструментов.  

• Добавление возможностей чата для агентов.  

• Использование инструмента для получения текущего времени и поиска в Википедии.  

• Упаковка функций в список инструментов и настройка их названий и описаний.  

• Переход к созданию агента с использованием агента структурированного чата.  

• Использование агента структурированного чата для общения.  

• Создание большого двоичного объекта в формате JSON для запуска инструментов.  

• Запуск чат-модели с использованием GPT-40 и буферной памяти для разговоров.  

• Добавление инструментов в агент-исполнитель.  

• Начало общения в чате с пользователем.  

• Демонстрация работы агента, который ищет информацию в Интернете.  

• Запуск агента и передача входных данных.  

• Пример вопроса о Джордже Вашингтоне и использование Википедии.  

• Демонстрация ответа от агента и его способности обрабатывать сложные вопросы.  

• Агенты могут действовать от имени пользователя и находить информацию.  

• Переход к следующему примеру агента, который будет общаться с хранилищем документов.  

• Пример посвящен подключению агентов к векторному хранилищу для работы с данными.  

• Информация основана на предыдущих модулях, включая работу с RAG.  

• Настройка каталогов путей к файлам для указания на векторное хранилище.  

• Добавление векторной базы данных и функции встраивания.  

• Использование метода сходства для получения максимально похожих результатов.  

• Получение трех лучших результатов с 1000 токенов каждый.  

• Использование ChatGPT-40 для создания агентов.  

• Объединение примеров работы с векторным хранилищем и агентами.  

• Настройка контекста и ретривера для работы с историей чата.  

• Использование React Agent для взаимодействия с векторным хранилищем.  

• Настройка пользовательского инструмента для агента.  

• Применение цепочки RAG для ответов на вопросы.  

• Настройка агентов и инструментов.  

• Запуск цикла while для общения с агентом.  

• Использование Python для демонстрации работы с векторным хранилищем.  

• Пример запроса о L-цепочке и получение ответа от агента.  

• Агент использует контекст и информацию из векторного хранилища для ответа.  

• Демонстрация работы агента в режиме детализации.  

• Переход к более глубокому изучению создания инструментов для агентов.  

• Возможность создания собственных инструментов для улучшения работы агентов.  

• Приветствие и представление третьего примера модуля "агенты и инструменты".  

• Использование конструктора инструментов для создания инструментов.  

• Демонстрация трех функций: приветствие пользователя, обратная строка и объединение строк.  

• Описание процесса создания инструментов с помощью конструктора.  

• Простота использования конструктора для простых инструментов.  

• Введение понятия структурированного инструмента для более сложных функций.  

• Преимущества структурированных инструментов для сложных функций.  

• Использование метода pedantic для определения типизированных моделей.  

• Пример использования структурированного инструмента для объединения строк.  

• Использование подсказки openai tools agent для демонстрации.  

• Запуск приложения и проверка работы инструментов.  

• Примеры использования инструментов: приветствие пользователя, обратная строка и объединение строк.  

• Подведение итогов демонстрации инструментов.  

• Переход к следующему модулю для изучения использования инструмента декоратора.  

• Создание инструментов с максимальным контролем над их поведением.  

• Настройка двух инструментов: поиск в Интернете с использованием Tavoli и умножение чисел.  

• Определение входных данных для инструментов.  

• Использование базового класса инструментов для создания новых классов.  

• Настройка инструментов для различных функциональных возможностей.  

• Возможность определения результата как педантичной модели.  

• Настройка инструмента поиска для выхода в Интернет.  

• Использование Tavoli для упрощения поиска в Интернете.  

• Настройка переменных окружения и API-ключа для работы с Tavoli.  

• Запуск инструмента поиска и демонстрация общения через Интернет.  

• Создание инструмента для умножения чисел.  

• Настройка агентов и инструментов для использования LLM.  

• Запуск агента на примерах поиска и умножения чисел.  

• Ожидание результатов поиска и оценки математических операций.  

• Демонстрация работы инструментов в модуле агента и разделе инструментов.  

• Инструмент Tavili помогает найти информацию по запросу.  

• Он возвращает результаты с названиями и URL-адресами.  

• Информация включает свежие данные о новом выпуске Apple Intelligence.  

• Инструмент преобразует данные в удобный формат.  

• Пример показывает, как преобразовать строку в числовое представление.  

• Искусственный интеллект CrewAI позволяет создавать агентов для совместной работы.  

• Агенты могут сотрудничать для создания отчетов.  

• Рекомендуется использовать CrewAI для создания мультиагентных инструментов.  

• На канале автора есть много видео по искусственному интеллекту.  

• Мастер-класс охватывает работу с моделями чатов, шаблонами приглашений и агентами.  

• Исходный код доступен бесплатно в описании видео.  

• Автор призывает подписаться на канал и присоединиться к сообществу разработчиков ИИ.