抽出した会話ファクトの活用
では、構造化出力に対応した LLM を使ってみましょう。前の演習で作成した llm_with_output は引き続き利用できます。この LLM 用のプロンプトテンプレートもすでに用意されています。
この演習はコースの一部です
Graph RAG with LangChain and Neo4j
演習の手順
- 提供されたチャットプロンプトテンプレートを、構造化出力対応の LLM（
llm_with_output）へパイプします。 - 指定されたユーザー ID とセッション ID でチェーンを起動し、
historyからメッセージを渡します。
実践的なインタラクティブ演習
このサンプルコードを完成させて、この演習に挑戦してみましょう。
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": ____})