【实施案例】提取结构化输出
输入“/”快速插入内容
【实施案例】提取结构化输出
【实施案例】提取结构化输出
用户811用户8112024年4月8日创建
1507
2399
🌿
场景③：【LLM用例】提取结构化输出 🦜️🔗 Extracting structured output
落地：【实施案例】提取结构化输出
提取结构化输出 Extracting structured output
本用例中，我们将使用具备函数/工具调用能力的聊天模型，从文本中提取信息。
INFO
项目设置
选择一个模型，安装它的依赖项并设置API密钥。在此用例中我们默认使用Groq提供的 Chat Model，模型为 mixtral-8x7b-32768。
代码块
!pip install langchain
# Install a model capable of tool calling
!pip install langchain-groq
# 自行申请API Key，前往 https://wow.groq.com/
# Set env vars for the relevant model or load from a .env file:
# import dotenv
# dotenv.load_dotenv()
检索方案 Scheme
首先，我们需要描述从文本中希望提取哪些信息。
我们使用Pydantic定义一个示例架构，以提取个人信息。
代码块
from typing import Optional
from langchain_core.pydantic_v1 import BaseModel, Field
class Person(BaseModel):
"""有关个人的信息。"""
# ^ Doc-string for the entity Person.
# This doc-string is sent to the LLM as the description of the schema Person,
# and it can help to improve extraction results.
# Note that:
# 1. Each field is an `optional` -- this allows the model to decline to extract it!
# 2. Each field has a `description` -- this description is used by the LLM.
# Having a good description can help improve extraction results.
name: Optional[str] = Field(..., description="个人姓名")
hair_color: Optional[str] = Field(
..., description="如果已知，该人头发的颜色。"
)
height_in_meters: Optional[str] = Field(
..., description="身高，以米为单位测量。"
)