浅尝Pydantic | 豆包MarsCode AI刷题

Damony
114 阅读4分钟

Field 函数

在 Pydantic 中，Field 函数用于为模型的字段提供额外的元数据和验证。Field 函数是可选的，但它可以增强模型的功能性和灵活性。以下是 Field 函数的一些常见用途：

  1. 提供描述： Field 允许你为模型的字段添加描述（description），这有助于文档生成和理解模型字段的用途。

    class User(BaseModel):
    name: str = Field(description="用户的名字")

  2. 默认值： 你可以为字段指定一个默认值（default），如果创建模型实例时没有提供该字段的值，则使用默认值。

    class User(BaseModel):
    name: str = Field(default="Guest")

  3. 别名： 使用 alias 参数为字段指定一个在数据中使用的别名，这在处理数据库或API响应时非常有用，因为它们可能使用不同的命名约定。

    class User(BaseModel):
    user_name: str = Field(alias="username")

  4. 验证器： Field 允许你为字段指定一个或多个验证器（validators 或 validator），这些验证器可以在字段值被赋值之前对其进行额外的检查。

    from pydantic import validator
class User(BaseModel):
    age: int = Field(..., validators=[validator(lambda v: v > 0, "必须大于0")])

  5. 预处理： Field 还允许你指定一个预处理函数（pre），在字段值被赋值之前对其进行转换。

    class User(BaseModel):
    name: str = Field(pre=lambda v: v.strip())

  6. 排除和包含： 你可以使用 exclude 和 include 参数来控制字段在模型的 .dict() 方法调用时是否被包含或排除。

    class User(BaseModel):
    name: str
    _password: str = Field(exclude=True)  # 这个字段将不会被包含在.dict()输出中

  7. 根验证器： Field 还可以用来定义根验证器（root_validators），这些验证器可以在模型级别上运行，而不是仅仅针对单个字段。

    from pydantic import root_validator
class User(BaseModel):
    name: str
    age: int
    @root_validator(pre=True)
    def check_age(cls, values):
        if values['age'] < 18:
            raise ValueError("年龄必须大于等于18")
        return values

  8. 额外的验证： Field 允许你添加额外的验证逻辑，比如检查字段值是否符合特定的格式或范围。

    class User(BaseModel):
    email: str = Field(..., regex=r"^.+@\w+\.\w+$")

Field 函数十分强大，它提供了一种灵活的方式来定义模型字段的行为，包括验证、转换和文档化。

思考题

为什么大模型能够返回JSON格式的数据？

大模型能够返回JSON格式的数据主要是因为开发者可以通过特定的提示（prompt）工程和API调用参数来指导模型按照预定的格式输出。如：

  1. 提示工程（Prompt Engineering）：通过精心设计的提示，可以引导大模型按照特定的格式（如JSON）返回结果。例如，在提示中明确要求模型以JSON格式返回数据，模型往往会遵循这一指令。

  2. API调用参数：一些大模型平台（如OpenAI）提供了API参数，允许用户指定期望的输出格式。例如，OpenAI在其官方接口中增加了return_format参数，通过设置{"type":"json_object"}，可以让模型以JSON格式输出。

输出解析器用了什么“魔法”让大模型做到了这一点？

输出解析器并没有使用“魔法”，而是利用了以下技术和策略：

  1. JSON Schema：通过定义JSON Schema，开发者可以指定期望的输出结构和数据类型。大模型在接收到包含JSON Schema的提示后，会尝试按照这个模式生成输出。

  2. 格式化提示：在提示中明确要求模型以特定格式（如JSON）返回结果，并且可能提供示例或模式，帮助模型理解预期的输出格式。

  3. 解析器工具：如LangChain提供的PydanticOutputParser，它利用Pydantic模型来验证和解析输出，确保输出符合预定义的JSON结构。

LangChain在调用大模型之前如何设计“提示”？

LangChain通过以下步骤设计提示：

  1. 定义输出类：使用Pydantic定义一个输出类，该类描述了期望的输出结构，包括字段和数据类型。

  2. 生成JSON Schema：利用Pydantic模型的model_json_schema()方法生成对应的JSON Schema，这个Schema描述了输出数据的结构。

  3. 构建提示模板：使用PromptTemplate类构建提示模板，模板中包含问题描述和JSON Schema，指导模型按照指定格式输出。

重试解析器的原理是什么？它主要实现了解析器类的哪个可选方法？

重试解析器的原理是在解析失败时自动重试解析过程。它主要实现了解析器类的parse方法的可选重试逻辑。具体来说，当解析器首次解析失败时，它会捕获错误，并根据错误类型和配置决定是否重试解析。如果决定重试，它会再次尝试解析，直到成功或达到重试次数限制。这种机制特别适用于处理暂时性的错误或不稳定的网络条件。

avatar
文章
阅读
粉丝