Začněte nyníZačněte zdarma

Využití extrahovaných faktů z konverzace

Teď přijde čas využít LLM se strukturovanými výstupy! Objekt llm_with_output z předchozího cvičení je stále k dispozici a šablona promptu pro tento LLM je již připravená.

Toto cvičení je součástí kurzu

Graph RAG s LangChain a Neo4j

Zobrazit kurz

Pokyny k cvičení

  • Připoj poskytnutou šablonu chat promptu do LLM se strukturovaným výstupem (llm_with_output).
  • Spusť řetězec pro zadaného uživatele a ID relace a předej mu zprávy z historie (history).

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

chain = ChatPromptTemplate.from_messages([
    SystemMessagePromptTemplate.from_template("""
    	You are talking to {user}, the user of the application. 
        Any facts in the first person relate to {user}.
        The Session ID is {session_id}.
    	Extract the facts from the conversation and return them in the format of object, subject, predicate.
    """),
    # Pipe the chat prompt template into the LLM with structured output
    MessagesPlaceholder(variable_name="history")
]) | ____

# Invoke the chain, passing it the messages from the history
chain.invoke({"user": USER, "session_id": SESSION_ID, "history": ____})
Upravit a spustit kód