使用擷取出的對話事實
現在來套用你具備結構化輸出的 LLM！你在前一題建立的 llm_with_output 仍可使用，且此 LLM 的提示模板已經提供。
本練習屬於課程
使用 LangChain 與 Neo4j 的 Graph RAG
練習說明
- 將提供的聊天提示模板串接到具結構化輸出的 LLM（
llm_with_output）。 - 在給定的使用者與工作階段 ID 上呼叫該 chain，並傳入
history的訊息（messages）。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
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": ____})