Ищем в Википедии по методу ReAct

Цели урока

• Настроить среду разработки и доступ к API для использования Gemini.
• Использовать ReAct few-shot prompt.
• Использовать новую prompted модель для многоходовых диалогов (chat).
• Подключить модель к Wikipedia API.
• Вести диалоги с моделью (попробуйте задать ей вопросы, например, «какова высота Эйфелевой башни?») и наблюдать, как она ищет в Wikipedia.

О чём урок

Этот notebook представляет собой минимальную реализацию ReAct: Synergizing Reasoning and Acting in Language Models с моделью Google gemini-3.7-flash. Вы будете использовать ReAct prompting для настройки модели на поиск в Wikipedia, чтобы найти ответ на вопрос пользователя. В этом пошаговом руководстве вы узнаете, как: Примечание: Материалы этой страницы, не являющиеся исходным кодом, лицензированы под Creative Commons - Attribution-ShareAlike CC-BY-SA 4.0, https://creativecommons.org/licenses/by-sa/4.0/legalcode. ReAct — это метод prompting, который позволяет языковым моделям создавать трассировку своих мыслительных процессов и шагов, необходимых для ответа на вопросы пользователя. Это улучшает человеческую интерпретируемость и надежность. ReAct prompted модели генерируют триплеты «Мысль-Действие-Наблюдение» (Thought-Action-Observation) для каждой итерации, как вы скоро увидите. Давайте начнем! Примечание: `wikipedia` package отмечает, что он был «разработан для простоты использования, а не для продвинутого применения», и что для production или интенсивного использования следует вместо этого «использовать Pywikipediabot или один из других более продвинутых Python MediaWiki API wrappers». Чтобы запустить следующую cell, ваш API key должен быть сохранен в Colab Secret под именем GEMINI_API_KEY. Если у вас еще нет API key или вы не знаете, как создать Colab Secret, см. quickstart по аутентификации для примера. Prompts, использованные в статье, доступны по адресу https://github.com/ysymyth/ReAct/tree/master/prompts Здесь вы будете работать со следующим ReAct prompt с несколькими незначительными изменениями. Примечание: Prompt и in-context примеры, используемые здесь, заимствованы из https://github.com/ysymyth/ReAct, который опубликован под MIT license. Хотя большие языковые модели демонстрируют хорошее понимание инструкций, которыми они prompted, они все еще могут плохо справляться со сложными задачами в zero-shot режиме. Следовательно, теперь вы предоставите несколько примеров вместе с вашим prompt, чтобы направить output модели в соответствии с вашими потребностями. Этот in-context learning значительно улучшает производительность модели.

План урока

1. Общая информация
2. Настройка
3. ReAct prompt
4. Few-shot prompting для включения in-context learning с Gemini
5. Pipeline Gemini-ReAct
6. Определение инструментов
7. Поиск
8. Поиск по ключевому слову