Model I/O进阶

目录

  • [1 结构化输出 OutputParser](#1 结构化输出 OutputParser)
    • [1.1 普通 JsonOutputParser(提示约束)](#1.1 普通 JsonOutputParser(提示约束))
    • [1.2 原生结构化输出(厂商接口能力)](#1.2 原生结构化输出(厂商接口能力))
    • [1.3 其他解析器](#1.3 其他解析器)
  • [2 ChatPromptTemplate 提示词模板](#2 ChatPromptTemplate 提示词模板)
  • [3 LCEL 链式表达式(核心 Runnable)](#3 LCEL 链式表达式(核心 Runnable))
    • [3.1 Runnable 统一接口](#3.1 Runnable 统一接口)
    • [3.2 RunnableSequence 串行流水线(最常用)](#3.2 RunnableSequence 串行流水线(最常用))
    • [3.3 RunnableParallel 并行执行](#3.3 RunnableParallel 并行执行)
    • [3.4 其他常用 Runnable](#3.4 其他常用 Runnable)
  • [4 本章小结](#4 本章小结)

1 结构化输出 OutputParser

1.1 普通 JsonOutputParser(提示约束)

流程: 1 用 Pydantic 定义输出结构 2 解析器生成格式要求注入 System 提示 3 LLM 输出后自动转为 Python 对象

python 复制代码
from pydantic import BaseModel,Field
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import JsonOutputParser

class PrimeModel(BaseModel):
    prime: list[int] = Field(description="1000-10000素数列表")
    count: int = Field(description="素数个数")

parser = JsonOutputParser(pydantic_object=PrimeModel)
llm = ChatOpenAI(temperature=0)
prompt = parser.get_format_instructions()
res = llm.invoke([("system",prompt),("user","生成5个1000~10000素数")])
data = parser.invoke(res)
print(type(data))

1.2 原生结构化输出(厂商接口能力)

OpenAI/Gemini 支持with_structured_output,无需手写约束提示:

python 复制代码
class Event(BaseModel):
    name: str
    date: str
    people: list[str]
llm = ChatOpenAI(temperature=0)
new_llm = llm.with_structured_output(Event)
res = new_llm.invoke("Alice周五参加科技展")
print(res.name)

1.3 其他解析器

内置解析器:列表、XML、Markdown、纯文本 StrOutputParser

2 ChatPromptTemplate 提示词模板

支持变量占位,动态拼接对话上下文

python 复制代码
from langchain_core.prompts import ChatPromptTemplate
prompt = ChatPromptTemplate.from_messages([
    ("system","你是{product}专业评测师"),
    ("human","分析{aspect1}和{aspect2}优缺点")
])
msg = prompt.invoke({"product":"iPhone16","aspect1":"性能","aspect2":"续航"})

3 LCEL 链式表达式(核心 Runnable)

3.1 Runnable 统一接口

所有组件(提示 / 模型 / 解析器)都拥有invoke/stream/batch/ainvoke,支持管道|拼接

3.2 RunnableSequence 串行流水线(最常用)

提示模板 → LLM → 输出解析

python 复制代码
prompt = ChatPromptTemplate.from_template("讲{topic}段子")
llm = init_chat_model(model="gpt-4o-mini",model_provider="openai")
parser = StrOutputParser()
# LCEL管道
chain = prompt | llm | parser
res = chain.invoke({"topic":"大模型"})
print(res)

3.3 RunnableParallel 并行执行

同时运行多条链路,合并结果

python 复制代码
trans_en = PromptTemplate.from_template("翻译{text}为英文") | llm | StrOutputParser()
trans_kr = PromptTemplate.from_template("翻译{text}为韩文") | llm | StrOutputParser()
# 并行字典写法
map_chain = {"en":trans_en,"kr":trans_kr}
res = map_chain.invoke({"text":"人工智能技术"})
print(res)

3.4 其他常用 Runnable

1 RunnableLambda:普通函数包装进流水线 2 RunnableBranch:if 分支路由 3 RunnablePassthrough:透传原始输入 4 RunnableWithFallbacks:异常降级兜底

4 本章小结

1 OutputParser 实现结构化 JSON 输出,分提示约束、原生两种方案 2 ChatPromptTemplate 实现动态变量提示词 3 LCEL 管道|快速组装业务流程,串行 / 并行是开发主流

相关推荐
观察员6 小时前
告别频繁锁屏:5行 PowerShell 脚本实现 Windows 自动防休眠
windows·命令行
Funlang7 小时前
在 Windows 95 上写前端
前端·javascript·windows
一切皆有可能!!12 小时前
【SoduWork测评】本机跑源码,找到并修了7个Bug
windows·开源·bug·ai编程·soduwork
xx z12 小时前
打开游戏提示 d3dx9_43.dll 缺失怎么办(DirectX 修复步骤)
windows·游戏·工具·软件
如夏倾城14 小时前
五大远程桌面协议:RDP、SSH、VNC/RFB、Citrix ICA/HDX 与 VMware Blast Extreme
运维·windows·网络协议·安全·自动化·ssh·远程工作
Vex2une1 天前
JDK 8 下载安装与环境变量配置完整指南(Windows新手图文教程)
java·windows·环境配置·环境变量·jdk8·jdk下载安装·java入门教程
星空孤辰2 天前
【camera 008】android camera id 注册、状态监控等状态变化 全流程梳理
android·windows
全方位办公软件2 天前
Windows音频服务架构解析:AudioSrv与AudioEndpointBuilder排障
windows·命令行·powershell·音频服务·驱动修复·mmdevices·audiosrv
Vex2une2 天前
电脑装双系统怎么弄?Win+Win 与 Win+Linux 安装及启动菜单管理全攻略
linux·windows·电脑·uefi·双系统安装·bcdedit启动项
无情的西瓜皮2 天前
eMudhra 根证书自 11-16 起失去微软产品默认信任:4 步 PowerShell 自查你的 Windows 是否已收到变更(Win11 实测)
windows·powershell