Урок из полного доступа, первые уроки курса бесплатно Официальный курс Cohere LLM University на русском
Урок 23 · Текст · ~5 мин

Агентный чат-бот для HR

Урок 23 из 114 курса «Cohere: LLM University»: официальный курс Cohere LLM University (Кохир) на русском языке. Урок входит в платный доступ; первые уроки курса бесплатно.

О чём урок

В этом руководстве мы продемонстрируем реализацию агентного чат-бота, который облегчает HR-операции в вымышленной версии Cohere. С помощью своих инструментов чат-бот способен извлекать и использовать соответствующую информацию, а также получать данные из внешних источников данных (таких как база данных или API).

Начнем с настройки импортов и определений инструментов. Мы предоставляем нашему агенту фиктивные данные о сотрудниках Cohere, а также следующие инструменты:

  • python_tool: позволяет модели писать и выполнять код Python
  • get_info_employee: извлекает информацию о (фиктивном) сотруднике Cohere из базы данных
  • search_cohere_policies: извлекает соответствующие документы о HR-политиках Cohere
  • get_employee_timezone: извлекает текущее смещение UTC для местоположения
  • internet_search: просматривает интернет для поиска релевантной информации по запросу
  • get_template: получает шаблон для определенного вида коммуникации, например, предложение кандидату, отказ и т.д.

Чтобы упростить приведенный ниже код, мы храним определения этих инструментов в файле tools.py. Для этого руководства вам также понадобятся два API ключа: один от Cohere и один от Tavily, чтобы модель могла искать в интернете. Вы можете создать файл .env в этом каталоге для их хранения.

Теперь мы готовы выполнить несколько базовых запросов. Эти первоначальные запросы не зависят от предыдущей истории чата, но требуют использования нескольких инструментов.

В первом примере Агент использует инструмент "get_template" для загрузки соответствующего шаблона и заполняет его релевантной информацией, предоставленной пользователем.

Во втором примере Агент использует "search_cohere_policies" для выполнения задачи RAG и отвечает на вопрос пользователя на основе извлеченной информации.

В третьем примере Агент использует инструмент "get_info_employee" для извлечения информации из CSV-файла, а затем генерирует ответы.

Как мы видели, в приведенных выше примерах Агент получает входной запрос и выбирает наиболее подходящий инструмент ('get_template', 'search_cohere_policies' и 'get_info_employee') для генерации ответа.

Теперь мы увидим, как Агент может участвовать в беседах, отвечая на запросы на основе предыдущей истории чата.

Чтобы понять q3, Агенту необходимо…

План урока

  1. Начало работы
  2. Базовые prompt'ы
  3. Запросы, зависящие от истории

Урок входит в полный доступ. Полный текст и видео открываются после оплаты. Первые уроки каждого курса бесплатны.

Откройте полный доступ

Вы прошли бесплатные уроки. Выберите тариф, чтобы продолжить обучение.

Курсы Cohere 1 490 ₽ Разовый платёж, навсегда
  • Все курсы от Cohere (1 шт.)
  • Именной сертификат по каждому пройденному курсу
Оплатить
Полный доступ 4 900 ₽ Разовый платёж, навсегда
  • Все 77 курсов от 11 AI-провайдеров
  • Библиотека промптов и новые курсы
Оплатить

Безопасная оплата через Robokassa: СБП, карты, электронные кошельки. Доступ откроется в этом браузере и придёт письмом. Уже оплатили? Восстановить доступ

Полезные гиды