在LangChain中构建强大的信息提取链

最新推荐文章于 2024-09-30 17:10:49 发布

ahdfwcevnhrtds

最新推荐文章于 2024-09-30 17:10:49 发布

阅读量396

点赞数 4

文章标签： langchain easyui 前端 python

本文链接：https://blog.csdn.net/ahdfwcevnhrtds/article/details/142320550

版权

# 在LangChain中构建强大的信息提取链

## 引言

在处理自然语言处理任务时，从非结构化文本中提取结构化信息是一个常见的需求。本篇文章将指导你如何使用LangChain构建一个用于信息提取的链，适合初学者了解基本概念，也为专业人士提供了深度见解。

## 主要内容

### 前提条件

在开始之前，你需要对以下概念有基本了解：
- 聊天模型
- 工具和工具调用

本文假定您使用支持工具调用的模型。

### 环境设置

#### Jupyter Notebook

我们建议在Jupyter Notebook中实现此教程，因为它提供了一个交互式的环境。安装指南可以参考[Jupyter Notebook安装指导](https://jupyter.org/install)。

#### 安装LangChain

你可以通过pip或conda安装LangChain：

```bash
pip install langchain

conda install langchain -c conda-forge

更多安装细节请查看官方安装指南。

LangSmith

使用LangChain构建的应用程序可能包含多个步骤和LLM调用。为了清楚了解链中的细节，可以使用LangSmith来记录和检查：

import getpass
import os

os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_API_KEY"] = getpass.getpass()

构建信息提取器

定义Schema

我们通过Pydantic定义一个Schema，以提取个人信息：

from typing import Optional
from langchain_core.pydantic_v1 import BaseModel, Field

class Person(BaseModel):
    """关于个人的信息。"""
    name: Optional[str] = Field(default=None, description="人的姓名")
    hair_color: Optional[str] = Field(default=None, description="如已知，人的头发颜色")
    height_in_meters: Optional[str] = Field(default=None, description="以米为单位的身高")

建议文档化Schema和属性以提高信息提取质量。

创建提取器

使用定义的Schema创建提取器：

from langchain_core.prompts import ChatPromptTemplate
from langchain_mistralai import ChatMistralAI

prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "你是专家级的提取算法，只提取相关信息。如果未知某属性的值，返回null。"),
        ("human", "{text}"),
    ]
)

llm = ChatMistralAI(model="mistral-large-latest", temperature=0)
runnable = prompt | llm.with_structured_output(schema=Person)

测试提取器

text = "Alan Smith is 6 feet tall and has blond hair."
result = runnable.invoke({"text": text})
print(result)

输出会是类似如下的信息：

Person(name='Alan Smith', hair_color='blond', height_in_meters='1.83')

处理多个实体

要提取多个实体，可以将模型嵌套：

from typing import List

class Data(BaseModel):
    """关于多人的提取数据。"""
    people: List[Person]

runnable = prompt | llm.with_structured_output(schema=Data)
text = "My name is Jeff, my hair is black and i am 6 feet tall. Anna has the same color hair as me."
result = runnable.invoke({"text": text})
print(result)