Alfred, votre agent de confiance, se prépare pour le gala le plus extravagant du siècle. Pour s’assurer que l’événement se déroule sans encombre, Alfred a besoin d’un accès rapide aux informations à jour sur chaque invité. Aidons Alfred en créant un outil personnalisé de génération augmentée par récupération (Retrieval-Augmented Generation - RAG), alimenté par notre jeu de données personnalisé.
Imaginez Alfred se mêlant aux invités, ayant besoin de se rappeler des détails spécifiques sur chaque personne à tout moment. Un LLM traditionnel pourrait avoir du mal avec cette tâche parce que :
C’est là que la génération augmentée par récupération (Retrieval Augmented Generation - RAG) brille ! En combinant un système de récupération avec un LLM, Alfred peut accéder à des informations précises et à jour sur vos invités à la demande.
Vous pouvez choisir n’importe lequel des frameworks couverts dans le cours pour ce cas d’usage. Sélectionnez votre option préférée dans les onglets de code.
Dans cette unité, nous développerons notre agent au sein d’un HF Space, sous la forme d’un projet Python structuré. Cette approche nous aide à maintenir un code propre et modulaire en organisant différentes fonctionnalités dans des fichiers séparés. De plus, cela permet un cas d’usage plus réaliste où vous déploieriez l’application pour une utilisation publique.
tools.py – Fournit des outils auxiliaires pour l’agent.retriever.py – Implémente les fonctions de récupération pour soutenir l’accès à la connaissance.app.py – Intègre tous les composants dans un agent entièrement fonctionnel, que nous finaliserons dans la dernière partie de cette unité.Pour une référence pratique, consultez ce HF Space, où le RAG agentique développé dans cette unité est en direct. N’hésitez pas à le cloner et à expérimenter !
Vous pouvez tester directement l’agent ci-dessous :
Notre jeu de données agents-course/unit3-invitees contient les champs suivants pour chaque invité :
Voici un aperçu du jeu de données :
Nous allons créer un outil personnalisé qu’Alfred peut utiliser pour récupérer rapidement les informations sur les invités pendant le gala. Décomposons cela en trois étapes gérables :
Commençons par charger et préparer le jeu de données !
Tout d’abord, nous devons transformer nos données brutes sur les invités en un format optimisé pour la récupération.
Nous utiliserons la bibliothèque datasets de Hugging Face pour charger le jeu de données et le convertir en une liste d’objets Document du module langchain.docstore.document.
import datasets
from langchain_core.documents import Document
# Charger le jeu de données
guest_dataset = datasets.load_dataset("agents-course/unit3-invitees", split="train")
# Convertir les entrées du jeu de données en objets Document
docs = [
Document(
page_content="\n".join([
f"Name: {guest['name']}",
f"Relation: {guest['relation']}",
f"Description: {guest['description']}",
f"Email: {guest['email']}"
]),
metadata={"name": guest["name"]}
)
for guest in guest_dataset
]
Dans le code ci-dessus, nous :
Document avec du contenu formatéDocument dans une listeCela signifie que nous avons toutes nos données bien disponibles pour pouvoir commencer à configurer notre récupération.
Maintenant, créons un outil personnalisé qu’Alfred peut utiliser pour rechercher dans nos informations sur les invités.
Nous utiliserons le BM25Retriever du module langchain_community.retrievers pour créer un outil de récupération.
BM25Retriever est un excellent point de départ pour la récupération, mais pour une recherche sémantique plus avancée, vous pourriez considérer l'utilisation de récupérateurs basés sur des *embeddings* comme ceux de sentence-transformers.from smolagents import Tool
from langchain_community.retrievers import BM25Retriever
class GuestInfoRetrieverTool(Tool):
name = "guest_info_retriever"
description = "Récupère des informations détaillées sur les invités du gala basées sur leur nom ou relation."
inputs = {
"query": {
"type": "string",
"description": "Le nom ou la relation de l'invité sur lequel vous voulez des informations."
}
}
output_type = "string"
def __init__(self, docs):
self.is_initialized = False
self.retriever = BM25Retriever.from_documents(docs)
def forward(self, query: str):
results = self.retriever.get_relevant_documents(query)
if results:
return "\n\n".join([doc.page_content for doc in results[:3]])
else:
return "Aucune information d'invité correspondante trouvée."
# Initialiser l'outil
guest_info_tool = GuestInfoRetrieverTool(docs)Comprenons cet outil étape par étape :
name et la description aident l’agent à comprendre quand et comment utiliser cet outilinputs définissent quels paramètres l’outil attend (dans ce cas, une requête de recherche)BM25Retriever, qui est un algorithme de récupération de texte puissant qui ne nécessite pas d’embeddingsforward traite la requête et retourne les informations d’invité les plus pertinentesEnfin, assemblons tout en créant notre agent et en l’équipant de notre outil personnalisé :
from smolagents import CodeAgent, InferenceClientModel
# Initialiser le modèle Hugging Face
model = InferenceClientModel()
# Créer Alfred, notre agent de gala, avec l'outil d'informations sur les invités
alfred = CodeAgent(tools=[guest_info_tool], model=model)
# Exemple de requête qu'Alfred pourrait recevoir pendant le gala
response = alfred.run("Parlez-moi de notre invitée nommée 'Lady Ada Lovelace'.")
print("🎩 Réponse d'Alfred :")
print(response)Sortie attendue :
🎩 Réponse d'Alfred :
Basé sur les informations que j'ai récupérées, Lady Ada Lovelace est une mathématicienne estimée et amie. Elle est renommée pour son travail pionnier en mathématiques et en informatique, souvent célébrée comme la première programmeuse informatique en raison de son travail sur la machine analytique de Charles Babbage. Son adresse e-mail est ada.lovelace@example.com.Ce qui se passe dans cette étape finale :
InferenceClientModelCodeAgent, qui peut exécuter du code Python pour résoudre des problèmesPendant le gala, une conversation pourrait se dérouler comme ceci :
Vous : “Alfred, qui est ce monsieur qui parle à l’ambassadeur ?”
Alfred : recherche rapidement dans la base de données des invités “C’est le Dr. Nikola Tesla, monsieur. C’est un vieil ami de vos jours d’université. Il vient récemment de breveter un nouveau système de transmission d’énergie sans fil et serait ravi d’en discuter avec vous. N’oubliez pas qu’il est passionné par les pigeons, donc cela pourrait faire une bonne conversation.”
{
"name": "Dr. Nikola Tesla",
"relation": "vieil ami des jours d'université",
"description": "Le Dr. Nikola Tesla est un vieil ami de vos jours d'université. Il vient récemment de breveter un nouveau système de transmission d'énergie sans fil et serait ravi d'en discuter avec vous. N'oubliez pas qu'il est passionné par les pigeons, donc cela pourrait faire une bonne conversation.",
"email": "nikola.tesla@gmail.com"
}Maintenant qu’Alfred peut récupérer des informations sur les invités, considérez comment vous pourriez améliorer ce système :
Maintenant Alfred est entièrement équipé pour gérer sans effort les questions sur les invités, s’assurant que votre gala soit mémorisé comme l’événement le plus sophistiqué et délicieux du siècle !
Quand vous avez terminé, implémentez votre outil de récupération d’invités dans le fichier retriever.py.