实战 AI: Langchain 库中的 OpenAI 函数调用 API

引言

在探索人工智能领域时,我们常常需要利用现有的 API 来实现特定的功能。近日,在研究 Langchain 库时,我发现了一个很有趣的功能:利用 OpenAI 的函数调用 API 在一个链中执行特定操作。这不仅展示了如何从 ChatOpenAI 获取结构化输出,还展示了如何创建和执行函数链。这个功能为我们提供了一种新的可能性,使得在一个链中执行多个函数成为可能。通过这种方式,我们能够根据特定的输入,获得结构化 的输出,从而为后续的操作提供更准确的数据。

LangChain OpenAI 函数

首先,我们需要了解如何从 ChatOpenAI 获取结构化的输出。在 Langchain 库中,有一个 create_structured_output_chain 函数,它可以接受一个 Pydantic 类或 JsonSchema 作为结构化输出的格式。通过这种方式,我们可以强制模型返回特定结构的输出,从而方便后续的处理。

例如,我们可以创建一个 Person 类,用于描述一个人的基本信息:

python 复制代码
from langchain.pydantic_v1 import BaseModel, Field   
​
class Person(BaseModel):  
    """Identifying information about a person."""  
​
    name: str = Field(..., description="The person's name")  
    age: int = Field(..., description="The person's age")  
    fav_food: Optional[str] = Field(None, description="The person's favorite food")  

然后,我们可以创建一个链来处理特定的输入,并尝试从中提取结构化的信息。例如,我们可以创建以下链来处理输入 "Sally is 13":

python 复制代码
llm = ChatOpenAI(model="gpt-4", temperature=0)  
prompt = ChatPromptTemplate.from_messages(  
    [  
        ("system", "You are a world class algorithm for extracting information in structured formats."),  
        ("human", "Use the given format to extract information from the following input: {input}"),  
        ("human", "Tip: Make sure to answer in the correct format"),  
    ]  
)  
​
chain = create_structured_output_chain(Person, llm, prompt, verbose=True)  
chain.run("Sally is 13")  

运行结果如下:

python 复制代码
Person(name='Sally', age=13, fav_food='Unknown')  

这样,我们就成功地从文本中提取了结构化的信息。通过类似的方式,我们还可以处理更复杂的输入,例如包含多个人信息的文本。此外,我们还可以使用 JsonSchema 来指定所需的结构,而不是 Pydantic 类。

注意,在上面的例子中,类和字段的描述(Description)非常重要,这决定了大模型判断的输出内容。

实现文本翻译

在 Langchain 库中,create_structured_output_chain 函数为我们提供了一种简洁的方法来处理特定任务,并获得结构化的输出。例如,我们可以利用这个功能来实现文本翻译。首先,我们需要定义一个 Pydantic 模型来描述翻译的输出结构,如下:

python 复制代码
from langchain.pydantic_v1 import BaseModel, Field
​
class Translation(BaseModel):
    translation: str = Field(..., description="Translated text")

接下来,我们初始化 ChatOpenAI 模型,并创建一个翻译提示模板:

python 复制代码
from langchain.chat_models import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
​
llm = ChatOpenAI(model="gpt-4", temperature=0)
​
prompt = ChatPromptTemplate.from_messages([
    ("system", "You are a translation model capable of translating English text to Chinese."),
    ("human", "Translate the following text: {input}")
])

最后,我们利用 create_structured_output_chain 函数创建一个函数链,并运行该链来翻译指定的文本:

python 复制代码
from langchain.chains.openai_functions import create_structured_output_chain
​
chain = create_structured_output_chain(Translation, llm, prompt, verbose=True)
​
result = chain.run("Hello, how are you?")
​
print(result)

这样,我们获得了翻译结果,还保证了输出的结构化,可以为下游操作提供便利。

结论

通过上述示例,我们可以看到 Langchain 通过 create_structured_output_chain 函数,为我们提供了一种有效的方式来实现特定任务的结构化输出。这种方法不仅使代码更加简洁,也大大提高了我们处理和提取结构化信息的效率。随着 AI 技术的不断发展,结构化输出将在数据处理、信息提取和自然语言处理等多个领域发挥重要作用。我相信,Langchain 的这种功能会得到广泛的应用,为开发者和研究者们提供更多便利。

社区

如果您对笔者的文章感兴趣,可以加笔者微信 tikazyq1 并注明 "码之道",笔者会将你拉入 "码之道" 交流群。

相关推荐
小技与小术2 分钟前
数据结构之树与二叉树
开发语言·数据结构·python
hummhumm29 分钟前
第 25 章 - Golang 项目结构
java·开发语言·前端·后端·python·elasticsearch·golang
deephub30 分钟前
优化注意力层提升 Transformer 模型效率:通过改进注意力机制降低机器学习成本
人工智能·深度学习·transformer·大语言模型·注意力机制
杜小满33 分钟前
周志华深度森林deep forest(deep-forest)最新可安装教程,仅需在pycharm中完成,超简单安装教程
python·随机森林·pycharm·集成学习
搏博42 分钟前
神经网络问题之二:梯度爆炸(Gradient Explosion)
人工智能·深度学习·神经网络
KGback1 小时前
【论文解析】HAQ: Hardware-Aware Automated Quantization With Mixed Precision
人工智能
电子手信1 小时前
知识中台在多语言客户中的应用
大数据·人工智能·自然语言处理·数据挖掘·知识图谱
不高明的骗子1 小时前
【深度学习之一】2024最新pytorch+cuda+cudnn下载安装搭建开发环境
人工智能·pytorch·深度学习·cuda
Chef_Chen1 小时前
从0开始学习机器学习--Day33--机器学习阶段总结
人工智能·学习·机器学习
搏博1 小时前
神经网络问题之:梯度不稳定
人工智能·深度学习·神经网络