输出解析器

语言模型输出文本。但很多时候，您可能希望获得比纯文本更结构化的信息。这就是输出解析器的作用。

输出解析器是帮助结构化语言模型响应的类。输出解析器必须实现两个主要方法：

"获取格式指令"：返回一个字符串，其中包含语言模型输出的格式指令。
"解析"：接受一个字符串（假设为语言模型的响应）并将其解析为某种结构。

然后还有一个可选的方法：

"带提示解析"：接受一个字符串（假设为语言模型的响应）和一个提示（假设为生成此响应的提示）并将其解析为某种结构。提示主要是为了在OutputParser希望重新尝试或修复输出时提供信息，并且需要来自提示的信息来完成此操作。

开始使用

下面我们将介绍主要类型的输出解析器，即PydanticOutputParser。

from langchain.prompts import PromptTemplate, ChatPromptTemplate, HumanMessagePromptTemplate  
from langchain.llms import OpenAI  
from langchain.chat_models import ChatOpenAI  

from langchain.output_parsers import PydanticOutputParser  
from pydantic import BaseModel, Field, validator  
from typing import List  

model_name = 'text-davinci-003'  
temperature = 0.0  
model = OpenAI(model_name=model_name, temperature=temperature)  

# 定义您期望的数据结构。
class Joke(BaseModel):  
    setup: str = Field(description="设置一个笑话的问题")  
    punchline: str = Field(description="解答笑话的答案")  
    
    # 您可以使用Pydantic轻松添加自定义验证逻辑。
    @validator('setup')  
    def question_ends_with_question_mark(cls, field):  
        if field[-1] != '?':  
            raise ValueError("问题格式错误！")  
        return field  

# 设置解析器并将指令注入到提示模板中。
parser = PydanticOutputParser(pydantic_object=Joke)  

prompt = PromptTemplate(  
    template="回答用户的查询。\n{format_instructions}\n{query}\n",  
    input_variables=["query"],  
    partial_variables={"format_instructions": parser.get_format_instructions()}  
)  

# 准备一个查询，用于提示语言模型填充数据结构。
joke_query = "告诉我一个笑话。"  
_input = prompt.format_prompt(query=joke_query)  

output = model(_input.to_string())  

parser.parse(output)  

输出结果：

Joke(setup='为什么小鸡要过马路？', punchline='为了到达另一边！')

输出解析器

开始使用​

开始使用