5分钟明白LangChain 的输出解析器和链

langchain · 浏览次数 : 0

小编点评

**1. OutputParser 的使用** OutputParser 是一个用于解析语言模型输出的类。它可以将语言模型的输出格式转换为您想要的形式。 **2. LCEL构建链** LCEL 是一个用于构建语言模型链的表达式语言。它可以将各种链组合到一起，以创建完整的语言模型链。 **3. 示例** 以下是如何利用 LCEL构建链的示例： ```python chain = prompt | model | output_parserret = chain.invoke({ "book_introduction": book_introduction, "parser_instructions": output_parser.get_format_instructions() }) ``` 这将创建一个链，其中 `prompt`、`model` 和 `output_parser` 是 `PromptTemplate`、`ChatOpenAI` 和 `PydanticOutputParser` 的实例。`chain.invoke` 方法会执行链，并返回最终的结果。

正文

本文介绍 LangChain 的输出解析器OutputParser的使用，和基于LangChain的LCEL构建链。

1. 输出解析器OutputParser

1.1、为什么需要OutputParser

常规的使用LangChain构建LLM应用的流程是：Prompt 输入、调用LLM 、LLM输出。有时候我们期望LLM给到的数据是格式化的数据，方便做后续的处理。

这时就需要在Prompt里设置好要求，然后LLM会在输出内容后，再将内容传给输出解析器，输出解析器会解析成我们预期的格式。

1.2、代码实践

调用系统自带的输出解析器

示例1：将调用 LLM 的结果，解析为逗号分隔的列表。比如询问某个城市有N个景点。

from langchain_openai import ChatOpenAI
from langchain.output_parsers import CommaSeparatedListOutputParser
from langchain.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_messages([
    ("system", "{parser_instructions}"),
    ("human", "列出{cityName}的{viewPointNum}个著名景点。")
])

output_parser = CommaSeparatedListOutputParser()
parser_instructions = output_parser.get_format_instructions()
# 查看解析器的指令内容
print(parser_instructions)

final_prompt = prompt.invoke({"cityName": "南京", "viewPointNum": 3, "parser_instructions": parser_instructions})

model = ChatOpenAI(model="gpt-3.5-turbo",
                   openai_api_key="sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx",
                   openai_api_base="https://api.aigc369.com/v1")
response = model.invoke(final_prompt)
print(response.content)

ret = output_parser.invoke(response)
print(ret)

自定义格式的输出解析器

除了使用自带的一些输出格式，还可以使用自定义的输出格式。使用步骤如下：

定义数据结构类，继承pydantic的BaseModel
使用输出解析器PydanticOutputParser
后续是常规操作：生成prompt、调用LLM执行、将输出按照Parser解析

示例2：比如给LLM一段书籍的介绍，让他按照指定的格式总结输出。

from typing import List

from langchain.output_parsers import PydanticOutputParser
from langchain.prompts import ChatPromptTemplate
from langchain.schema import HumanMessage
from langchain_core.pydantic_v1 import BaseModel, Field
from langchain_openai import ChatOpenAI


class BookInfo(BaseModel):
    book_name: str = Field(description="书籍的名字")
    author_name: str = Field(description="书籍的作者")
    genres: List[str] = Field(description="书籍的体裁")


output_parser = PydanticOutputParser(pydantic_object=BookInfo)
# 查看输出解析器的内容，会被输出成json格式
print(output_parser.get_format_instructions())

prompt = ChatPromptTemplate.from_messages([
    ("system", "{parser_instructions} 你输出的结果请使用中文。"),
    ("human", "请你帮我从书籍的概述中，提取书名、作者，以及书籍的体裁。书籍概述会被三个#符号包围。\n###{book_introduction}###")
])

book_introduction = """
《朝花夕拾》原名《旧事重提》，是现代文学家鲁迅的散文集，收录鲁迅于1926年创作的10篇回忆性散文， [1]1928年由北京未名社出版，现编入《鲁迅全集》第2卷。
此文集作为“回忆的记事”，多侧面地反映了作者鲁迅青少年时期的生活，形象地反映了他的性格和志趣的形成经过。前七篇反映他童年时代在绍兴的家庭和私塾中的生活情景，后三篇叙述他从家乡到南京，又到日本留学，然后回国教书的经历；揭露了半殖民地半封建社会种种丑恶的不合理现象，同时反映了有抱负的青年知识分子在旧中国茫茫黑夜中，不畏艰险，寻找光明的困难历程，以及抒发了作者对往日亲友、师长的怀念之情 [2]。
文集以记事为主，饱含着浓烈的抒情气息，往往又夹以议论，做到了抒情、叙事和议论融为一体，优美和谐，朴实感人。作品富有诗情画意，又不时穿插着幽默和讽喻；形象生动，格调明朗，有强烈的感染力。
"""

model = ChatOpenAI(model="gpt-3.5-turbo",
                   openai_api_key="sk-BuQK7SGbqCZP2i2z7fF267AeD0004eF095AbC78d2f79E019",
                   openai_api_base="https://api.aigc369.com/v1")
final_prompt = prompt.invoke({"book_introduction": book_introduction,
                              "parser_instructions": output_parser.get_format_instructions()})
response = model.invoke(final_prompt)
print(response.content)
result = output_parser.invoke(response)
print(result)

2. 利用LCEL构建链

2.1、LCEL是啥

LCEL是LangChain 表达式语言（LangChain Expression Language）的简称。使用LCEL可以快速将各种链组合到一起，那链又是啥呢？

在LangChain里只要实现了Runnable接口，并且有invoke方法，都可以成为链。实现了Runnable接口的类，可以拿上一个链的输出作为自己的输入。

比如以上代码的ChatPromptTemplate 、ChatOpenAI 、PydanticOutputParser等，都实现了Runnable接口，且都有invoke方法。

LCEL提供了多种方式将链组合起来，比如使用管道符 |，这种方式既方便书写，表达力也很强劲。

2.2、使用区别

不使用LCEL

不使用LCEL时，代码写起来是，各种invoke满天飞。比如这样：

final_prompt = prompt.invoke({"book_introduction": book_introduction,
                              "parser_instructions": output_parser.get_format_instructions()})
response = model.invoke(final_prompt)
result = output_parser.invoke(response)

使用LCEL

使用LCEL时，代码简洁，并且表达力强许多，比如这样：

chain = prompt | model | output_parser
ret = chain.invoke({"book_introduction": book_introduction,
                    "parser_instructions": output_parser.get_format_instructions()})

3、总结

本文主要聊了LangChain的输出解析器和使用LCEL构建链，希望对你有帮助！

======>>>>>> 关于我 <<<<<<======

本篇完结！欢迎点赞关注收藏！！！

原文链接：https://mp.weixin.qq.com/s/VapTZbsDDPzfu9eqMzeToQ、http://www.mangod.top/articles/2024/05/27/1716768844603.html