О чём урок
В предыдущих уроках мы исследовали, как создавать агентские RAG-приложения для неструктурированных и полуструктурированных данных. В этом и следующем уроках мы сосредоточимся на структурированных данных.
Этот урок посвящен запросам к таблицам, а следующий урок будет посвящен запросам к базам данных SQL.
Рассмотрим сценарий, в котором у вас есть CSV-файл, содержащий результаты оценки для LLM-приложения.
Пользователь может задавать вопросы типа «Каков средний балл для конкретного варианта использования?» или «Какая конфигурация имеет наименьшую задержку?». Эти запросы требуют не только извлечения, но также анализа и интерпретации данных.
В этом уроке мы рассмотрим:
- Создание функции для выполнения кода Python
- Настройка инструмента для взаимодействия с табличными данными
- Создание агента для запросов к табличным данным
- Запуск агента
Начнем с настройки нашей среды и определения необходимых инструментов для нашего агента.
Для начала нам необходимо установить библиотеку cohere и создать клиент Cohere.
А вот данные, с которыми мы будем работать. evaluation_results.csv — это CSV-файл, содержащий результаты оценки для набора LLM-приложений: извлечение имен, составление электронных писем и суммаризация статей.
Файл имеет следующие столбцы:
- usecase: Вариант использования.
- run: Идентификатор запуска.
- score: Оценочный балл для конкретного запуска.
- temperature: Настройка температуры модели для конкретного запуска.
- tokens: Количество токенов, сгенерированных моделью для конкретного запуска.
- latency: Задержка ответа модели для конкретного запуска.
Важно: данные можно найти здесь. Убедитесь, что файл находится в той же директории, что и этот ноутбук, для корректной работы импорта.
Здесь мы представляем новый инструмент, который позволяет агенту выполнять код Python и возвращать результат. Агент будет использовать этот инструмент для генерации кода pandas для запросов к данным.
Для создания этого инструмента мы будем использовать класс PythonREPL из модуля langchain_experimental.utilities. Этот класс предоставляет изолированную среду для выполнения кода Python и возвращает результат.
Сначала мы определяем python_tool, который использует класс PythonREPL для выполнения кода Python и возврата результата.
Затем мы определяем класс ToolInput для обработки входных данных для python_tool.
План урока
- Настройка
- Создание функции для выполнения кода Python
- Настройка инструмента для взаимодействия с табличными данными
- Создание агента для запросов к табличным данным
- Запуск агента
- Резюме
Урок входит в полный доступ. Полный текст и видео открываются после оплаты. Первые уроки каждого курса бесплатны.