Spaces:
No application file
No application file
File size: 3,410 Bytes
2a648b9 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 | """
Data Scientist.: Dr.Eddy Giusepe Chirinos Isidro
Aqui aprenderemos a construir um aplicativo Web com Streamlit UI e usaremos
4 funções Python como Tools do LangChain customizadas.
"""
from langchain import OpenAI
from langchain.agents import initialize_agent, Tool
from langchain.chains.conversation.memory import ConversationBufferMemory
import streamlit as st
from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv()) # read local .env file
#openai.api_key = os.environ['OPENAI_API_KEY']
# Defina uma função para calcular o enésimo número de Fibonacci:
def fib(n):
if n <= 1:
return n
else:
return(fib(n-1) + fib(n-2))
# Defina uma função que classifique a string de entrada em ordem alfabética:
def sort_string(string):
return ''.join(sorted(string))
# Defina uma função para transformar uma palavra em uma palavra criptografada:
def encrypt(word):
encrypted_word = ""
for letter in word:
encrypted_word += chr(ord(letter) + 1)
return encrypted_word
# Defina uma função para transformar uma palavra em uma palavra descriptografada:
def decrypt(word):
decrypted_word = ""
for letter in word:
decrypted_word += chr(ord(letter) - 1)
return decrypted_word
# 'return direct' significa que a saída da função será retornada após o máximo de iterações ser atingido?:
tools = [
Tool(
name = "Fibonacci",
func= lambda n: str(fib(int(n))),
description="Use quando quiser calcular o enésimo número de Fibonacci",
# return_direct=True
),
Tool(
name = "Sort String",
func= lambda string: sort_string(string),
description="Use quando quiser ordenar uma string em ordem alfabética",
# return_direct=True
),
Tool(
name = "Encrypt",
func= lambda word: encrypt(word),
description="Use quando quiser criptografar uma palavra",
# return_direct=True
),
Tool(
name = "Decrypt",
func= lambda word: decrypt(word),
description="Use quando quiser descriptografar uma palavra",
# return_direct=True
)
]
if "agent_memory" not in st.session_state:
st.session_state["agent_memory"] = ConversationBufferMemory(memory_key="chat_history") # Você pode usar outros tipos de memória também!
llm=OpenAI(temperature=0,
verbose=True
)
agent_chain = initialize_agent(tools, llm, agent="conversational-react-description", memory=st.session_state["agent_memory"], verbose=True) # verbose=True para ver o processo de pensamento do agente
st.header("🤗 :red[Langchain chatbot com agent/tools e memória] 🤗") # short term memory. no embedded vectorstore
# while True:
# user_input = input("You: ")
# agent_chain.run(input=user_input)
# initialize the memory buffer
if "memory" not in st.session_state:
st.session_state["memory"] = ""
user_input = st.text_input("Você: ")
# streamlit button
if st.button("Enviar"):
st.markdown(agent_chain.run(input=user_input))
# print the memory buffer
# add conversation history to the memory buffer
st.session_state["memory"] += st.session_state["agent_memory"].buffer
print(st.session_state["memory"])
# write the memory buffer to a file
|