不止于JSON：使用YAML轻松解析AI输出

tangtang123
118 阅读2分钟 
## 引言

在自然语言处理和生成领域，结构化输出一直是个热门话题。虽然JSON是目前应用广泛的格式之一，但YAML凭借其优雅和可读性逐渐受到开发者的青睐。本文将为您介绍如何利用YAML解析大语言模型（LLM）的输出，助力您的AI开发项目。

## 主要内容

### 1. YAML解析器的作用

YAML解析器允许开发者指定任意的输出格式，并通过提示大语言模型输出符合该格式的结果。这在涉及复杂数据结构和格式统一需求时相当有用。特别是对于那些在生成非JSON格式数据上表现更好的LLM，YAML解析器能大显身手。

### 2. Pydantic与YamlOutputParser的结合

通过结合Pydantic数据模型和`YamlOutputParser`，我们能够为模型提供何种YAML格式的上下文信息。这里以一个笑话为例，展示如何定义数据模型并解析输出。

```python
# 安装必要的包
%pip install -qU langchain langchain-openai

import os
from getpass import getpass

os.environ["OPENAI_API_KEY"] = getpass()

from langchain.output_parsers import YamlOutputParser
from langchain_core.prompts import PromptTemplate
from langchain_core.pydantic_v1 import BaseModel, Field
from langchain_openai import ChatOpenAI

# 定义目标数据结构
class Joke(BaseModel):
    setup: str = Field(description="joke setup question")
    punchline: str = Field(description="joke punchline resolution")

model = ChatOpenAI(temperature=0)

# 用于提示语言模型填充数据结构的查询
joke_query = "Tell me a joke."

# 设置解析器并将说明注入到提示模板中
parser = YamlOutputParser(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()},
)

chain = prompt | model | parser

# 使用API代理服务提高访问稳定性
chain.invoke({"query": joke_query})

3. API提示与输出解析

在调用的过程中，解析器会自动解析输出的YAML并创建Pydantic模型对象。开发者可以通过parser.get_format_instructions()方法查看被添加到提示中的格式说明。

常见问题和解决方案

1. 大语言模型的选择

某些语言模型在处理特定格式数据上可能表现得更好，因此您可能需要根据自己的需求进行模型选择或替代。

2. 格式不一致

在某些情况下，生成的YAML格式可能不一致。此时可以通过增强提示中的格式指引来改善输出质量。

总结和进一步学习资源

本文介绍了如何使用YAML格式解析LLM输出，提升数据的可读性和易用性。您可以尝试结合更多复杂的数据结构，进一步提高AI交互体验。推荐您查阅以下资源：

参考资料

如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！

---END---
avatar
文章
阅读
粉丝