НачатьНачать бесплатно

Использование извлечённых фактов из переписки

Теперь применим LLM со структурированными выводами! Созданный на предыдущем шаге объект llm_with_output по-прежнему доступен, а шаблон запроса для этой LLM уже подготовлен.

Это упражнение является частью курса

Graph RAG с LangChain и Neo4j

Посмотреть курс

Инструкции к упражнению

  • Передайте предоставленный шаблон чат-запроса в LLM со структурированным выводом (llm_with_output) с помощью пайпа.
  • Запустите цепочку для указанных пользователя и идентификатора сессии, передав ей сообщения из истории (history).

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

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": ____})
Редактировать и запускать код