ПочатиПочніть безкоштовно

Використання витягнутих фактів розмови

Час застосувати ваш LLM зі структурованими результатами! llm_with_output, який ви створили у попередній вправі, усе ще доступний, а шаблон підказки для цього LLM уже надано.

Ця вправа є частиною курсу

Graph RAG з LangChain і Neo4j

Переглянути курс

Інструкції до вправи

  • Спрямуйте наданий шаблон чат-підказки до LLM зі структурованим результатом (llm_with_output).
  • Запустіть ланцюжок на вказаних user і session ID, передавши йому повідомлення з історії (history).

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

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": ____})
Редагувати та запускати код