Mulai sekarangMulai gratis

Menggunakan fakta percakapan yang diekstrak

Sekarang saatnya menerapkan LLM Anda dengan keluaran terstruktur! llm_with_output yang Anda buat pada latihan sebelumnya masih tersedia, dan templat prompt untuk LLM ini sudah disediakan.

Latihan ini merupakan bagian dari kursus

Graph RAG dengan LangChain dan Neo4j

Lihat Kursus

Instruksi latihan

  • Lakukan pipe templat prompt chat yang disediakan ke LLM dengan keluaran terstruktur (llm_with_output).
  • Panggil rantai pada user dan ID sesi yang diberikan, dengan meneruskan pesan-pesan dari riwayat (history).

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

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": ____})
Edit dan Jalankan Kode