langchain_community.chains.ernie_functions.base.create_structured_output_runnable

langchain_community.chains.ernie_functions.base.create_structured_output_runnable(output_schema: Union[Dict[str, Any], Type[BaseModel]], llm: Runnable, prompt: BasePromptTemplate, *, output_parser: Optional[Union[BaseOutputParser, BaseGenerationOutputParser]] = None, **kwargs: Any) → Runnable

创建一个可运行的程序，使用Ernie函数来获取结构化输出。

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什么以及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_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 模型输出将简单地被解析为JSON。

返回:

一个可运行的序列，当运行时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):
    """关于一只狗的身份信息。"""

    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.invoke({"input": "Harry是一只胖胖的棕色小猎犬，喜欢吃鸡肉"})
# -> Dog(name="Harry", color="brown", fav_food="chicken")

Parameters

• output_schema (Union[Dict[str, Any], Type[BaseModel]]) –

• llm (Runnable) –

• prompt (BasePromptTemplate) –

• output_parser (Optional[Union[BaseOutputParser, BaseGenerationOutputParser]]) –

• kwargs (Any) –

Return type

Runnable

Examples using create_structured_output_runnable

• Download the content