Mini Project: Document Chatbot – Part 3 (Agent Tool ထည့်ခြင်းနှင့် Polish)

ခဏလေး ဒီလိုပဲ စဉ်းစားကြည့်

Advanced chapter မှာ သင်ခဲ့တဲ့ Agents နှင့် Tools concept ကို ဒီနေရာမှာ အသုံးချပါမယ်။ Part 2 ရဲ့ conversational RAG chain ကို "document_search" ဆိုတဲ့ Tool တစ်ခုအဖြစ် wrap လုပ်ပြီး၊ document ထဲမှာ မပါတဲ့ မေးခွန်းများ (ဥပမာ - ရိုးရိုး calculation) အတွက် tool နောက်တစ်ခုကိုပါ ထည့်ကာ Agent တစ်ခု ဆောက်ပါမယ်။ Agent ဟာ user ရဲ့ မေးခွန်းအလိုက် ဘယ် tool ကို ဘယ်အချိန် သုံးရမလဲဆိုတာ ကိုယ်တိုင် ဆုံးဖြတ်နိုင်ပါတယ်။ နောက်ဆုံးအနေနဲ့ production-observability-evaluation chapter က lesson ကို ကိုးကားပြီး try/except error handling နှင့် simple CLI loop ဖြင့် project ကို usable app တစ်ခု အဖြစ် ပြီးမြောက်အောင် polish လုပ်ပါမယ်။ ဒီအဆင့်ပြီးရင် document data ကို search နိုင်ပြီး, follow-up context ကို memory ဖြင့် မှတ်နိုင်ပြီး, tool တွေကို agent ဖြင့် ရွေးချယ်အသုံးပြုနိုင်တဲ့ chatbot တစ်ခု ပြီးစီးသွားမည်။

လက်တွေ့ ဆောက်ကြည့်မယ်

Part 2 ရဲ့ conv_chain ကို function တစ်ခုအဖြစ် wrap ပြီး Tool(name="document_search", func=..., description="user document ထဲက data နှင့် ပတ်သက်တဲ့ မေးခွန်းများကို ဖြေရန် အသုံးပြုပါ") ဖြင့် tool တစ်ခု ဖန်တီးပါ။ Word count/calculator ကဲ့သို့ simple tool နောက်တစ်ခု ထပ်ထည့်ပါ။ initialize_agent (or create_react_agent) ဖြင့် tool 2 ခုစလုံးကို agent ထဲ ပေါင်းထည့်ပြီး verbose=True နှင့် max_iterations သတ်မှတ်ပါ။ try/except ဖြင့် error handling ထည့်ပြီး, while True loop ဖြင့် user input ကို ဆက်တိုက်ဖတ်ကာ "exit" ရိုက်ရင် ရပ်တဲ့ simple CLI အဖြစ် ပြီးမြောက်အောင် ရေးပါ။

• Conversational RAG chain ကို Tool တစ်ခုအဖြစ် အောင်မြင်စွာ wrap လုပ်နိုင်ပြီလား
• Tool နှစ်ခုပါဝင်တဲ့ Agent ကို initialize လုပ်ပြီး verbose output ကနေ tool ရွေးချယ်ပုံကို ကြည့်နိုင်ပြီလား
• Error handling နှင့် CLI loop ပါတဲ့ project ကို end-to-end run ပြီး ပိတ်သိမ်းနိုင်ပြီလား

Code နမူနာ

from langchain.agents import Tool, initialize_agent, AgentType

def document_qa_func(question: str) -> str:
    result = conv_chain.invoke({"question": question})
    return result["answer"]

def word_count_func(text: str) -> str:
    return f"Word count: {len(text.split())}"

tools = [
    Tool(
        name="document_search",
        func=document_qa_func,
        description="User ရဲ့ ကိုယ်ပိုင် document ထဲက data နှင့် ပတ်သက်တဲ့ မေးခွန်းများကို ဖြေရန် အသုံးပြုပါ",
    ),
    Tool(
        name="word_counter",
        func=word_count_func,
        description="ပေးထားသော text ရဲ့ word count ကို ရေတွက်ရန် အသုံးပြုပါ",
    ),
]

agent = initialize_agent(
    tools=tools,
    llm=llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True,
    max_iterations=4,
)

def main():
    print("Document Chatbot (ပြီးဆုံးရန် 'exit' ရိုက်ပါ)")
    while True:
        user_input = input("You: ")
        if user_input.strip().lower() == "exit":
            break
        try:
            response = agent.invoke({"input": user_input})
            print("Bot:", response["output"])
        except Exception as e:
            print("Error တစ်ခု ဖြစ်ပွားခဲ့သည်:", e)

if __name__ == "__main__":
    main()

Document data နှင့်ပတ်သက်တဲ့ မေးခွန်းများကို document_search tool ဖြင့်လည်းကောင်း, word count ကဲ့သို့ မေးခွန်းများကို word_counter tool ဖြင့်လည်းကောင်း agent ကိုယ်တိုင် ရွေးချယ်ပြီး ဖြေပေးနိုင်သော CLI chatbot တစ်ခု ရရှိမည်။