【LLM】 BaseModel的作用

在 Python 里,BaseModel 是 pydantic 库提供的一个基类,pydantic 是用于数据验证和设置管理的强大库。BaseModel 主要有以下作用:

1. 数据验证

BaseModel 能对输入的数据进行验证,保证数据符合定义的类型和约束。要是输入的数据不满足要求,pydantic 会抛出异常。

python 复制代码
from pydantic import BaseModel, Field

class User(BaseModel):
    name: str = Field(..., min_length=2, max_length=50)
    age: int = Field(..., gt=0, lt=120)

# 验证通过
user1 = User(name="Alice", age=25)
print(user1)

# 验证失败,抛出异常
try:
    user2 = User(name="A", age=150)
except Exception as e:
    print(e)

输出结果:

cmd 复制代码
name='Alice' age=25
2 validation errors for User
name
  String should have at least 2 characters [type=string_too_short, input_value='A', input_type=str]
    For further information visit https://errors.pydantic.dev/2.5/v/string_too_short
age
  Input should be less than 120 [type=number_too_big, input_value=150, input_type=int]
    For further information visit https://errors.pydantic.dev/2.5/v/number_too_big

2. 数据解析

BaseModel 可以把不同格式的数据(像字典、JSON 等)解析成 Python 对象,同时进行类型转换。

示例代码:

python 复制代码
from pydantic import BaseModel

class Book(BaseModel):
    title: str
    price: float

# 从字典解析数据
book_data = {"title": "Python Crash Course", "price": 29.99}
book = Book(**book_data)
print(book)

输出结果:

cmd 复制代码
title='Python Crash Course' price=29.99

3. 数据序列化

BaseModel 支持将 Python 对象序列化为字典或 JSON 字符串,方便数据的存储和传输。

py 复制代码
from pydantic import BaseModel

class Product(BaseModel):
    name: str
    quantity: int

product = Product(name="Laptop", quantity=10)

# 序列化为字典
product_dict = product.model_dump()
print(product_dict)

# 序列化为 JSON 字符串
product_json = product.model_dump_json()
print(product_json)

输出结果:

cmd 复制代码
{'name': 'Laptop', 'quantity': 10}
{"name": "Laptop", "quantity": 10}

4. 类型提示

借助 BaseModel 定义数据结构,能为代码提供清晰的类型提示,增强代码的可读性和可维护性。

在你当前编辑的代码里,Fetch 类继承自 BaseModel,目的是定义获取 URL 的参数,对输入参数进行验证和解析:

py 复制代码
class Fetch(BaseModel):
    """Parameters for fetching a URL."""

    url: Annotated[AnyUrl, Field(description="URL to fetch")]
    max_length: Annotated[
        int,
        Field(
            default=5000,
            description="Maximum number of characters to return.",
            gt=0,
            lt=1000000,
        ),
    ]
    start_index: Annotated[
        int,
        Field(
            default=0,
            description="On return output starting at this character index, useful if a previous fetch was truncated and more context is required.",
            ge=0,
        ),
    ]
    raw: Annotated[
        bool,
        Field(
            default=False,
            description="Get the actual HTML content of the requested page, without simplification.",
        ),
    ]
相关推荐
青铜发条7 分钟前
【python】python进阶——logging日志模块
python
Fine姐25 分钟前
数据挖掘 4.1~4.7 机器学习性能评估参数
人工智能·机器学习·数据挖掘
.Shu.28 分钟前
Mysql InnoDB 底层架构设计、功能、原理、源码系列合集【四、事务引擎核心 - MVCC与锁机制】
数据库·mysql
多工坊34 分钟前
【DataGrip】连接达梦数据库后,能查询数据但是看不到表的几种情况分析,达梦数据库驱动包下载DmJdbcDriver18.jar
java·数据库·jar
无规则ai38 分钟前
动手学深度学习(pytorch版):第六章节—卷积神经网络(1)从全连接层到卷积
人工智能·pytorch·python·深度学习·cnn
wenzhangli71 小时前
Qoder初体验:从下载到运行OneCode-RAD的完整实战指南
人工智能·开源
何中应1 小时前
如何用Redis作为消息队列
数据库·redis·缓存
秋难降1 小时前
优雅的代码是什么样的?🫣
java·python·代码规范
liulilittle2 小时前
.NET反射与IL反编译核心技术
开发语言·数据库·c#·.net·反射·反编译·il
MansFlower2 小时前
静默发布:DeepSeek-V3.1
人工智能·开源