LoslegenKostenlos starten

Extrahierte Gesprächsfakten verwenden

Jetzt wendest du dein LLM mit strukturierten Ausgaben an! Das llm_with_output, das du in der vorherigen Übung erstellt hast, ist weiterhin verfügbar, und die Prompt-Vorlage für dieses LLM wurde bereits bereitgestellt.

Diese Übung ist Teil des Kurses

<Kurs>Graph RAG mit LangChain und Neo4j</Kurs>
Kurs ansehen

Übungsanweisungen

  • Pipe die bereitgestellte Chat-Prompt-Vorlage in das LLM mit strukturierter Ausgabe (llm_with_output).
  • Rufe die Chain mit der angegebenen User- und Session-ID auf und übergib ihr die Nachrichten aus dem Verlauf (history).

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

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": ____})
Code bearbeiten und ausführen