当前位置：首页 > wzjs >正文

网站开发项目背景淘宝运营培训班去哪里学

wzjs 2025/8/2 12:46:42

网站开发项目背景,淘宝运营培训班去哪里学,烟台酒店网站建设,wordpress 文章排名纯文本输出是有用的，但在某些情况下，我们需要 LLM 生成结构化输出，即以机器可读格式（如 JSON、XML 或 CSV）或甚至以编程语言（如 Python 或 JavaScript）生成的输出。当我们打算将该输出传递给其他…

纯文本输出是有用的，但在某些情况下，我们需要 LLM 生成结构化输出，即以机器可读格式（如 JSON、XML 或 CSV）或甚至以编程语言（如 Python 或 JavaScript）生成的输出。当我们打算将该输出传递给其他代码时，这非常有用，使 LLM 可以在更大的应用程序中发挥作用。

调试步骤

import getpass
import osif "GOOGLE_API_KEY" not in os.environ:os.environ["GOOGLE_API_KEY"] = getpass.getpass("Enter your Google AI API key: ")

import os
import requestsos.environ['HTTP_PROXY'] = 'http://127.0.0.1:7890'
os.environ['HTTPS_PROXY'] = 'http://127.0.0.1:7890'r = requests.get("https://www.google.com")
print(r.status_code)  # 能返回 200 就说明代理成功了

from langchain_google_genai import ChatGoogleGenerativeAIllm = ChatGoogleGenerativeAI(model="gemini-2.0-flash-001",  # 或其他可用模型
)print(llm.invoke("你好呀！你现在通了吗？").content)

你好！我一直在线，随时待命。所以，是的，我可以说是“通了”！有什么我可以帮助你的吗？

JSON Output：JSON输出

使用 LLM 生成的最常见格式是 JSON，然后可以将其用于，例如：

将它发送到前端代码
将其保存到数据库中

# openai API
from langchain_openai import ChatOpenAI
from langchain_core.pydantic_v1 import BaseModelclass AnswerWithJustification(BaseModel):'''An answer to the user question along with justification for the answer.'''answer: str'''The answer to the user's question'''justification: str'''Justification for the answer'''llm = ChatOpenAI(model="gpt-3.5-turbo-0125", temperature=0)
structured_llm = llm.with_structured_output(AnswerWithJustification)
structured_llm.invoke("What weighs more, a pound of bricks or a pound of feathers")

输出为：

{answer: "They weigh the same", justification: "Both a pound of bricks and a pound of feathers weigh one pound. The weight is the same, but the volu"... 42 more characters
}

我们使用gemini API来复现

但是langchain_core.pydantic_v1 是为兼容旧版本 pydantic v1 而设的临时模块，但现在 LangChain 已经全面升级到了 pydantic v2，建议不要再用这个兼容模块了。

用from langchain_core.pydantic_v1 import BaseModel出现了红色的提示报错。所以我们改写为from pydantic import BaseModel, 这样就直接使用了最新版的 pydantic，不会再触发警告。

from langchain_google_genai import ChatGoogleGenerativeAI
from pydantic import BaseModelclass AnswerWithJustification(BaseModel):'''An answer to the user question along with justification for the answer.'''answer: str'''The answer to the user's question'''justification: str'''Justification for the answer'''llm = ChatGoogleGenerativeAI(model="gemini-2.0-flash-001",  # 或其他可用模型temperature=0 # 让输出更确定、更稳定（不会随机发挥）
)structured_llm = llm.with_structured_output(AnswerWithJustification)structured_llm.invoke("What weighs more, a pound of bricks or a pound of feathers")

AnswerWithJustification(answer='They weigh the same.', justification='A pound is a unit of weight, so a pound of bricks and a pound of feathers weigh the same amount..')

总体目标：
让大语言模型（LLM）返回结构化的数据（JSON），并且符合你自定义的格式（schema）。

第一步：定义了一个“结构模板”（schema）：

class AnswerWithJustification(BaseModel):answer: strjustification: str

这就是你希望模型返回的数据格式 —— 一个包含两个字段的 JSON：

{"answer": "...","justification": "..."
}

第二步：让 LLM “知道” 要用这个格式

structured_llm = llm.with_structured_output(AnswerWithJustification)

第三步：使用这个结构化模型去提问

structured_llm.invoke("What weighs more, a pound of bricks or a pound of feathers?")

这一步就是真正向模型提问。模型在回答前，会参考你定义的 schema，生成符合格式的 JSON 数据。

首先将 schema 转为 JSON Schema,把你的 Python 模板类转成 JSON 格式的规则。然后发给LLM，告诉模型“你输出要符合这个格式”。最后验证输出，模型生成后再校验是否合规，确保你收到的数据符合格式。

你就像是在说：

“AI，你回答我的时候，不能随便写一段文字，必须照着我这张表格来写，字段名和格式都要对上！”

Other Machine-Readable Formats with Output Parsers：其他带有输出解析器的机器可读格式

输出解析器是干嘛的？

输出解析器是帮助大语言模型（LLM）把结果以特定格式输出的一种工具。它有两个主要功能：

提供格式说明（Providing format instructions）

你可以用解析器给提示（prompt）加上一些额外的说明，比如告诉模型：

“请把结果输出成 XML 格式” 或
“请生成一个 JSON 对象，字段有 name 和 age”

这样模型就知道你想要的输出长什么样。

验证和解析输出（Validating and parsing output）

LLM 返回结果后，输出解析器还可以：

把普通文本转换成结构化格式（如列表、XML、JSON等）；

校验格式是否正确；

修复模型输出中不完整或多余的内容。

这是一个输出解析器的工作示例

from langchain_core.output_parsers import CommaSeparatedListOutputParserparser = CommaSeparatedListOutputParser()items = parser.invoke("apple, banana, cherry")print(items)