langchain_community.chains.ernie_functions.base
.create_structured_output_chain¶
- langchain_community.chains.ernie_functions.base.create_structured_output_chain(output_schema: Union[Dict[str, Any], Type[BaseModel]], llm: BaseLanguageModel, prompt: BasePromptTemplate, *, output_key: str = 'function', output_parser: Optional[BaseLLMOutputParser] = None, **kwargs: Any) LLMChain [source]¶
[遗留] 创建一个LLMChain,使用Ernie函数来获取一个结构化的输出。
- 参数:
- output_schema: 可以是字典或pydantic.BaseModel类。如果传入的是字典,则假定它已经是一个有效的JsonSchema。
为了获得最佳结果,pydantic.BaseModels应该有描述模式代表和参数描述的文档字符串。
llm: 要使用的语言模型,假定支持Ernie函数调用API。 prompt: 传递给模型的BasePromptTemplate。 output_key: 在LLMChain.__call__中返回输出时要使用的键。 output_parser: 用于解析模型输出的BaseLLMOutputParser。默认情况下将从函数类型中推断出来。如果传入pydantic.BaseModels,则OutputParser将尝试使用这些来解析输出。否则,模型输出将简单地解析为JSON。
- 返回:
一个LLMChain,将给定的函数传递给模型。
- 示例:
from typing import Optional from langchain.chains.ernie_functions import create_structured_output_chain from langchain_community.chat_models import ErnieBotChat from langchain_core.prompts import ChatPromptTemplate from langchain.pydantic_v1 import BaseModel, Field class Dog(BaseModel): """关于一只狗的识别信息。""" name: str = Field(..., description="狗的名字") color: str = Field(..., description="狗的颜色") fav_food: Optional[str] = Field(None, description="狗喜欢的食物") llm = ErnieBotChat(model_name="ERNIE-Bot-4") prompt = ChatPromptTemplate.from_messages( [ ("user", "使用给定的格式从以下输入中提取信息: {input}"), ("assistant", "好的!"), ("user", "提示: 确保以正确的格式回答"), ] ) chain = create_structured_output_chain(Dog, llm, prompt) chain.run("Harry was a chubby brown beagle who loved chicken") # -> Dog(name="Harry", color="brown", fav_food="chicken")
- Parameters
output_schema (Union[Dict[str, Any], Type[BaseModel]]) –
llm (BaseLanguageModel) –
prompt (BasePromptTemplate) –
output_key (str) –
output_parser (Optional[BaseLLMOutputParser]) –
kwargs (Any) –
- Return type