Kom igångKom igång gratis

Extrahera fakta från konversationshistorik

Dags att ta din konversationshistorik till nästa nivå! Du ska definiera pydantic-klasser för att extrahera fakta från konversationshistorik på ett strukturerat sätt.

Detta lägger grunden för kursens sista övning, där du faktiskt genomför extraheringen.

Nödvändiga pydantic-klasser har redan importerats och ett llm har redan definierats.

Den här övningen är en del av kursen

Graph RAG med LangChain och Neo4j

Visa kurs

Övningsinstruktioner

  • Definiera en pydantic-klass, ConversationFact, för att extrahera fakta ur en konversation. Inkludera fälten object, subject, relationship och session_id som matchar de beskrivningar som anges.
  • Definiera en pydantic-klass, ConversationFacts, för att skapa listor av ConversationFact-objekt.
  • Bind det strukturerade utdataformatet till det angivna llm.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Define the ConversationFact with the correct fields
class ____(____):
    """
    A class that holds the facts from a conversation in a format of object, subject, predicate.

    For example, if the conversation includes the fact that the user likes ice creamthe facts would be:
    - object: "Adam"
    - subject: "ice cream"
    - relationship: "LIKES"
    The class also includes a session ID to identify the conversation.
    """
    ____: str = Field(description="The session ID of the conversation.")
    ____: str = Field(description="The object of the fact. For example, 'Adam' ")
    ____: str = Field(description="The subject of the fact. For example, 'Ice cream'")
    ____: str = Field(description="The relationship between the object and the subject.  This should be a single word verb in upper case. For example, 'LIKES' or 'OWNS'")

# Define a ConversationFacts class for creating lists of ConversationFact objects
class ____(____):
    """A class that holds a list of ConversationFact objects."""
    facts: list[____] = Field(description="A list of ConversationFact objects.")

# Bind the output to the llm provided
llm_with_output = llm.____(____)
Redigera och kör kod