使用提取的对话事实
现在来应用带结构化输出的 LLM 吧！您在上一个练习中创建的 llm_with_output 仍然可用，且该 LLM 的提示模板已为您提供。
本练习是课程的一部分
使用 LangChain 和 Neo4j 的 Graph RAG
练习说明
- 将提供的聊天提示模板通过管道传递给带结构化输出的 LLM（
llm_with_output）。 - 在给定的用户与会话 ID 上调用该链，并传入历史记录（
history）中的 messages。
交互式实操练习
通过完成这段示例代码来试试这个练习。
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": ____})