使用LangChain的输出解析器将LLM响应解析为结构化格式
在使用大型语言模型(LLM)时,我们经常需要将其文本输出解析为结构化的格式。LangChain提供了强大的输出解析器工具来实现这一目的。本文将介绍如何使用LangChain的输出解析器,特别是PydanticOutputParser,来将LLM响应解析为结构化格式。
输出解析器简介
输出解析器是帮助结构化语言模型响应的类。它们通常需要实现两个主要方法:
get_format_instructions()
: 返回一个字符串,包含LLM输出应如何格式化的说明。parse()
: 接收一个字符串(假定为LLM的响应)并将其解析为某种结构。
还有一个可选的方法:
parse_with_prompt()
: 接收一个字符串(假定为LLM的响应)和一个提示(假定为生成该响应的提示),并将其解析为某种结构。这主要用于在解析器想要重试或修复输出时使用。
使用PydanticOutputParser
让我们通过一个实例来了解如何使用PydanticOutputParser:
from langchain_core.output_parsers import PydanticOutputParser
from langchain_core.prompts import PromptTemplate
from langchain_core.pydantic_v1 import BaseModel, Field, validator
from langchain_openai import OpenAI
# 初始化OpenAI模型
model = OpenAI(model_name="gpt-3.5-turbo-instruct", temperature=0.0)
# 定义所需的数据结构
class Joke(BaseModel):
setup: str = Field(description="question to set up a joke")
punchline: str = Field(description="answer to resolve the joke")
# 添加自定义验证逻辑
@validator("setup")
def question_ends_with_question_mark(cls, field):
if field[-1] != "?":
raise ValueError("Badly formed question!")
return field
# 设置解析器并将说明注入到提示模板中
parser = PydanticOutputParser(pydantic_object=Joke)
prompt = PromptTemplate(
template="Answer the user query.\n{format_instructions}\n{query}\n",
input_variables=["query"],
partial_variables={"format_instructions": parser.get_format_instructions()},
)
# 创建提示和模型的组合
prompt_and_model = prompt | model
# 调用模型并解析输出
output = prompt_and_model.invoke({"query": "Tell me a joke."})
result = parser.invoke(output)
print(result)
这个例子中,我们定义了一个Joke
类来表示笑话的结构,包含setup
和punchline
两个字段。我们使用PydanticOutputParser来解析LLM的输出,确保它符合我们定义的结构。
LangChain表达式语言(LCEL)
输出解析器实现了Runnable
接口,这是LangChain表达式语言(LCEL)的基本构建块。这意味着它们支持invoke
, ainvoke
, stream
, astream
, batch
, abatch
, astream_log
等调用。
你可以将解析器直接添加到Runnable
序列中:
chain = prompt | model | parser
result = chain.invoke({"query": "Tell me a joke."})
print(result)
流式输出
某些解析器支持流式输出部分解析的对象。例如,SimpleJsonOutputParser
可以流式输出部分结果:
from langchain.output_parsers.json import SimpleJsonOutputParser
json_prompt = PromptTemplate.from_template(
"Return a JSON object with an `answer` key that answers the following question: {question}"
)
json_parser = SimpleJsonOutputParser()
json_chain = json_prompt | model | json_parser
for partial_result in json_chain.stream({"question": "Who invented the microscope?"}):
print(partial_result)
这将逐步输出解析的JSON对象,允许你在完整结果生成之前就开始处理数据。
可能遇到的错误和解决方案
-
格式错误:
如果LLM的输出不符合指定的格式,解析器将抛出错误。确保你的提示清晰地指定了所需的输出格式。try: result = parser.invoke("This is not a valid joke format") except ValueError as e: print(f"解析错误: {e}")
-
验证失败:
如果输出不满足自定义验证规则,将抛出验证错误。检查你的验证逻辑并确保LLM的输出符合要求。try: result = parser.invoke('{"setup": "Why did the chicken cross the road", "punchline": "To get to the other side!"}') except ValueError as e: print(f"验证错误: {e}")
-
API连接问题:
如果无法连接到OpenAI API,请检查你的网络连接和API密钥。try: output = model.invoke("Tell me a joke.") except Exception as e: print(f"API错误: {e}")
参考资料
- LangChain文档: Output Parsers
- Pydantic文档: Pydantic
- OpenAI API文档: OpenAI API
如果你觉得这篇文章对你有帮助,请点赞,关注我的博客,谢谢!