CommencerCommencez gratuitement

Utiliser les faits extraits de la conversation

Il est temps d’appliquer votre LLM avec sorties structurées ! Le llm_with_output que vous avez créé dans l’exercice précédent est toujours disponible, et le modèle de prompt pour cet LLM a déjà été fourni.

Cet exercice fait partie du cours

<cours>Graph RAG avec LangChain et Neo4j</cours>
Voir le cours

Instructions de l’exercice

  • Chaînez le modèle de prompt de chat fourni avec le LLM à sorties structurées (llm_with_output).
  • Exécutez la chaîne sur l’identifiant utilisateur et l’identifiant de session fournis, en lui passant les messages issus 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