CommencezCommencez gratuitement

Utiliser les faits extraits de la conversation

À vous d'appliquer votre LLM avec des sorties structurées ! Le llm_with_output que vous avez créé dans l'exercice précédent est toujours disponible, et le gabarit d'invite pour ce LLM a déjà été fourni.

Cette activité fait partie du cours

Graph RAG avec LangChain et Neo4j

Voir le cours

Instructions de l’exercice

  • Chaînez le gabarit d'invite de clavardage fourni vers le LLM avec sorties structurées (llm_with_output).
  • Lancez la chaîne avec l'identifiant d'utilisateur et l'identifiant de session fournis, en lui passant les messages de l'historique (history).

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

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": ____})
Modifier et exécuter le code