Урок из полного доступа, первые уроки курса бесплатно Официальный курс Cohere LLM University на русском
Урок 66 · Текст · ~5 мин

Агентный RAG, часть 5: запросы к таблицам

Урок 66 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 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

  1. Настройка
  2. Создание функции для выполнения кода Python
  3. Настройка инструмента для взаимодействия с табличными данными
  4. Создание агента для запросов к табличным данным
  5. Запуск агента
  6. Резюме

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