Uitgehaalde gespreksfeiten gebruiken
Tijd om je LLM met gestructureerde outputs toe te passen! De llm_with_output die je in de vorige oefening hebt gemaakt is nog steeds beschikbaar, en de prompttemplate voor deze LLM is al meegeleverd.
Deze oefening maakt deel uit van de cursus
Graph RAG met LangChain en Neo4j
Oefeninstructies
- Pipe de meegeleverde chat-prompttemplate naar de LLM met gestructureerde output (
llm_with_output). - Voer de chain uit voor de opgegeven user- en sessie-ID en geef de berichten uit de geschiedenis (
history) door.
Interactieve oefening met praktijkervaring
Probeer deze oefening door deze voorbeeldcode aan te vullen.
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": ____})