LangChain入门：11.Pydantic（JSON）解析器实战

Hugo_Hoo

已于 2024-04-03 13:59:43 修改

阅读量726

点赞数 1

分类专栏： LangChain教程入门文章标签： langchain json python 人工智能

于 2024-04-03 13:52:35 首次发布

本文链接：https://blog.csdn.net/wangjiansui/article/details/137337762

版权

LangChain教程入门专栏收录该内容

24 篇文章 10 订阅

订阅专栏

摘要

在数字化营销的浪潮中，自动化内容生成成为了提升效率和用户参与度的利器。本文将详细介绍如何利用LangChain的自然语言处理能力和Pydantic的数据验证特性，构建一个自动化的花店文案生成器。通过这个工具，您可以快速为各种花卉生成吸引人的描述和推荐理由，从而提升营销效果和客户体验。

环境准备

在开始之前，请确保您的Python环境中已安装以下库：langchain_openai、pandas和pydantic。如果尚未安装，可以通过以下命令一次性完成安装：

pip install langchain_openai pandas pydantic

Pydantic库简介

Pydantic是一个开源的Python库，用于数据验证和设置管理。它通过使用Python类型提示来验证输入数据，确保数据符合预期的格式和结构。Pydantic特别适合于处理来自API、数据库或其他数据源的输入，因为它可以自动生成数据模型，并在数据不符合预期时提供清晰的错误信息。

创建模型实例

首先，我们需要创建一个OpenAI模型实例，这里选用gpt-3.5-turbo模型，它以生成高质量文本而闻名。

from langchain_openai import ChatOpenAI

# 从环境变量中读取OpenAI API密钥
api_key = os.getenv("OPENAI_API_KEY")
llm = ChatOpenAI(
    openai_api_key=api_key,
    base_url="https://api.chatanywhere.tech/v1",
    model="gpt-3.5-turbo",
    temperature=0,
)

定义数据结构

使用Pydantic库定义我们期望的数据格式，确保模型输出的一致性和可验证性。

from pydantic import BaseModel

class FlowerDescription(BaseModel):
    flower_type: str
    price: int
    description: str
    reason: str

创建输出解析器

创建一个输出解析器，确保模型的输出符合我们定义的FlowerDescription格式。

from langchain.output_parsers import PydanticOutputParser

output_parser = PydanticOutputParser(pydantic_object=FlowerDescription)
format_instructions = output_parser.get_format_instructions()

构建提示模板

定义一个提示模板，指导模型生成符合我们期望格式的输出。

from langchain import PromptTemplate

prompt_template = """
您是一位专业的花店文案撰写人。
对于售价为{price}的{flower}，您能提供一个吸引人的描述和一个推荐的理由吗？
{format_instructions}
"""

生成并解析输出

使用定义好的模板和解析器生成文案，并解析模型的输出。

import pandas as pd

# 创建DataFrame来存储结果
df = pd.DataFrame(columns=["flower_type", "price", "description", "reason"])

# 数据准备
flowers = ["玫瑰", "康乃馨", "郁金香", "百合", "向日葵"]
prices = [10, 15, 20, 25, 30]

# 循环处理每种花卉
for flower, price in zip(flowers, prices):
    input_prompt = prompt_template.format(flower=flower, price=price)
    output = llm.invoke(input_prompt)
    
    # 解析模型输出
    parsed_output = output_parser.parse(output.content)
    parsed_output_dict = parsed_output.dict()

    # 将结果添加到DataFrame
    df = df.append(parsed_output_dict, ignore_index=True)

# 打印结果
print(df.to_dict(orient="records"))