在langchain中對大模型的輸出進(jìn)行格式化實現(xiàn)

更新時間：2023年11月27日 11:28:57 作者：flydean

這篇文章主要為大家介紹了在langchain中對大模型的輸出進(jìn)行格式化實現(xiàn)示例詳解，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪

簡介

我們知道在大語言模型中, 不管模型的能力有多強(qiáng)大，他的輸入和輸出基本上都是文本格式的，文本格式的輸入輸出雖然對人來說非常的友好，但是如果我們想要進(jìn)行一些結(jié)構(gòu)化處理的話還是會有一點點的不方便。

不用擔(dān)心，langchain已經(jīng)為我們想到了這個問題，并且提出了完滿的解決方案。

langchain中的output parsers

langchain中所有的output parsers都是繼承自BaseOutputParser。這個基礎(chǔ)類提供了對LLM大模型輸出的格式化方法，是一個優(yōu)秀的工具類。

我們先來看下他的實現(xiàn)：

class BaseOutputParser(BaseModel, ABC, Generic[T]):
    @abstractmethod
    def parse(self, text: str) -> T:
        """Parse the output of an LLM call.
        A method which takes in a string (assumed output of a language model )
        and parses it into some structure.
        Args:
            text: output of language model
        Returns:
            structured output
        """
    def parse_with_prompt(self, completion: str, prompt: PromptValue) -> Any:
        """Optional method to parse the output of an LLM call with a prompt.
        The prompt is largely provided in the event the OutputParser wants
        to retry or fix the output in some way, and needs information from
        the prompt to do so.
        Args:
            completion: output of language model
            prompt: prompt value
        Returns:
            structured output
        """
        return self.parse(completion)
    def get_format_instructions(self) -> str:
        """Instructions on how the LLM output should be formatted."""
        raise NotImplementedError
    @property
    def _type(self) -> str:
        """Return the type key."""
        raise NotImplementedError(
            f"_type property is not implemented in class {self.__class__.__name__}."
            " This is required for serialization."
        )
    def dict(self, **kwargs: Any) -> Dict:
        """Return dictionary representation of output parser."""
        output_parser_dict = super().dict()
        output_parser_dict["_type"] = self._type
        return output_parser_dict

BaseOutputParser 是一個基礎(chǔ)的類，可能被其他特定的輸出解析器繼承，以實現(xiàn)特定語言模型的輸出解析。

這個類使用了Python的ABC模塊，表明它是一個抽象基類（Abstract Base Class），不能被直接實例化，而是需要子類繼承并實現(xiàn)抽象方法。

Generic[T] 表示這個類是一個泛型類，其中T 是一個類型變量，它表示解析后的輸出數(shù)據(jù)的類型。

@abstractmethod 裝飾器標(biāo)記了 parse 方法，說明它是一個抽象方法，必須在子類中實現(xiàn)。parse 方法接受一個字符串參數(shù) text，通常是語言模型的輸出文本，然后將其解析成特定的數(shù)據(jù)結(jié)構(gòu)，并返回。

parse_with_prompt 方法也是一個抽象方法，接受兩個參數(shù)，completion 是語言模型的輸出，prompt 是與輸出相關(guān)的提示信息。這個方法是可選的，可以用于在需要時解析輸出，可能根據(jù)提示信息來調(diào)整輸出。

get_format_instructions 方法返回關(guān)于如何格式化語言模型輸出的說明。這個方法可以用于提供解析后數(shù)據(jù)的格式化信息。

_type 是一個屬性，可能用于標(biāo)識這個解析器的類型，用于后續(xù)的序列化或其他操作。

dict 方法返回一個包含輸出解析器信息的字典，這個字典可以用于序列化或其他操作。

其中子類必須要實現(xiàn)的方法就是parse。其他的都做為輔助作用。

langchain中有哪些Output Parser

那么langchain中有哪些Output Parser的具體實現(xiàn)呢？具體對應(yīng)我們應(yīng)用中的什么場景呢？

接下來我們將會一一道來。

List parser

ListOutputParser的作用就是把LLM的輸出轉(zhuǎn)成一個list。

ListOutputParser也是一個基類，我們具體使用的是他的子類：CommaSeparatedListOutputParser。

看一下他的parse方法：

def parse(self, text: str) -> List[str]:
        """Parse the output of an LLM call."""
        return text.strip().split(", ")

還有一個get_format_instructions:

def get_format_instructions(self) -> str:
        return (
            "Your response should be a list of comma separated values, "
            "eg: `foo, bar, baz`"
        )

get_format_instructions是告訴LLM以什么樣的格式進(jìn)行數(shù)據(jù)的返回。

就是把LLM的輸出用逗號進(jìn)行分割。

下面是一個基本的使用例子：

output_parser = CommaSeparatedListOutputParser()
format_instructions = output_parser.get_format_instructions()
prompt = PromptTemplate(
    template="列出幾種{subject}.\n{format_instructions}",
    input_variables=["subject"],
    partial_variables={"format_instructions": format_instructions}
)
_input = prompt.format(subject="水果")
output = model(_input)
print(output)
print(output_parser.parse(output))

我們可以得到下面的輸出：

Apple, Orange, Banana, Grape, Watermelon, Strawberry, Pineapple, Peach, Mango, Cherry
['Apple', 'Orange', 'Banana', 'Grape', 'Watermelon', 'Strawberry', 'Pineapple', 'Peach', 'Mango', 'Cherry']

看到這里，大家可能有疑問了，為什么我們問的是中文，返回的卻是因為呢？

這是因為output_parser.get_format_instructions就是用英文描述的，所以LLM會自然的用英文來回答。

別急，我們可以稍微修改下運行代碼，如下：

output_parser = CommaSeparatedListOutputParser()
format_instructions = output_parser.get_format_instructions()
prompt = PromptTemplate(
    template="列出幾種{subject}.\n{format_instructions}",
    input_variables=["subject"],
    partial_variables={"format_instructions": format_instructions + "用中文回答"}
)
_input = prompt.format(subject="水果")
output = model(_input)
print(output)
print(output_parser.parse(output))

我們在format_instructions之后，提示LLM需要用中文來回答問題。這樣我們就可以得到下面的結(jié)果：

蘋果,橘子,香蕉,梨,葡萄,芒果,檸檬,桃
['蘋果,橘子,香蕉,梨,葡萄,芒果,檸檬,桃']

是不是很棒？

Datetime parser

DatetimeOutputParser用來將LLM的輸出進(jìn)行時間的格式化。

class DatetimeOutputParser(BaseOutputParser[datetime]):
    format: str = "%Y-%m-%dT%H:%M:%S.%fZ"
    def get_format_instructions(self) -> str:
        examples = comma_list(_generate_random_datetime_strings(self.format))
        return f"""Write a datetime string that matches the 
            following pattern: "{self.format}". Examples: {examples}"""
    def parse(self, response: str) -> datetime:
        try:
            return datetime.strptime(response.strip(), self.format)
        except ValueError as e:
            raise OutputParserException(
                f"Could not parse datetime string: {response}"
            ) from e
    @property
    def _type(self) -> str:
        return "datetime"

在get_format_instructions中，他告訴LLM返回的結(jié)果是一個日期的字符串。

然后在parse方法中對這個LLM的輸出進(jìn)行格式化，最后返回datetime。

我們看下具體的應(yīng)用：

output_parser = DatetimeOutputParser()
template = """回答下面問題:
{question}
{format_instructions}"""
prompt = PromptTemplate.from_template(
    template,
    partial_variables={"format_instructions": output_parser.get_format_instructions()},
)
chain = LLMChain(prompt=prompt, llm=model)
output = chain.run("中華人民共和國是什么時候成立的?")
print(output)
print(output_parser.parse(output))

1949-10-01T00:00:00.000000Z
1949-10-01 00:00:00

回答的還不錯，給他點個贊。

Enum parser

如果你有枚舉的類型，那么可以嘗試使用EnumOutputParser.

EnumOutputParser的構(gòu)造函數(shù)需要傳入一個Enum,我們主要看下他的兩個方法：

@property
    def _valid_values(self) -> List[str]:
        return [e.value for e in self.enum]
    def parse(self, response: str) -> Any:
        try:
            return self.enum(response.strip())
        except ValueError:
            raise OutputParserException(
                f"Response '{response}' is not one of the "
                f"expected values: {self._valid_values}"
            )
    def get_format_instructions(self) -> str:
        return f"Select one of the following options: {', '.join(self._valid_values)}"

parse方法接收一個字符串 response，嘗試將其解析為枚舉類型的一個成員。如果解析成功，它會返回該枚舉成員；如果解析失敗，它會拋出一個 OutputParserException 異常，異常信息中包含了所有有效值的列表。

get_format_instructions告訴LLM需要從Enum的有效value中選擇一個輸出。這樣parse才能接受到正確的輸入值。

具體使用的例子可以參考前面兩個parser的用法。篇幅起見，這里就不列了。

Pydantic (JSON) parser

JSON可能是我們在日常代碼中最常用的數(shù)據(jù)結(jié)構(gòu)了，這個數(shù)據(jù)結(jié)構(gòu)很重要。

在langchain中，提供的JSON parser叫做：PydanticOutputParser。

既然要進(jìn)行JSON轉(zhuǎn)換，必須得先定義一個JSON的類型對象，然后告訴LLM將文本輸出轉(zhuǎn)換成JSON格式，最后調(diào)用parse方法把json字符串轉(zhuǎn)換成JSON對象。

我們來看一個例子：

class Student(BaseModel):
    name: str = Field(description="學(xué)生的姓名")
    age: str = Field(description="學(xué)生的年齡")
student_query = "告訴我一個學(xué)生的信息"
parser = PydanticOutputParser(pydantic_object=Student)
prompt = PromptTemplate(
    template="回答下面問題.\n{format_instructions}\n{query}\n",
    input_variables=["query"],
    partial_variables={"format_instructions": parser.get_format_instructions()+"用中文回答"},
)
_input = prompt.format_prompt(query=student_query)
output = model(_input.to_string())
print(output)
print(parser.parse(output))

這里我們定義了一個Student的結(jié)構(gòu)體，然后讓LLM給我一個學(xué)生的信息，并用json的格式進(jìn)行返回。

之后我們使用parser.parse來解析這個json，生成最后的Student信息。

我們可以得到下面的輸出：

示例輸出：{"name": "張三", "age": "18"}
name='張三' age='18'

Structured output parser

雖然PydanticOutputParser非常強(qiáng)大，但是有時候我們只是需要一些簡單的結(jié)構(gòu)輸出，那么可以考慮StructuredOutputParser.

我們看一個具體的例子：

response_schemas = [
    ResponseSchema(name="name", description="學(xué)生的姓名"),
    ResponseSchema(name="age", description="學(xué)生的年齡")
]
output_parser = StructuredOutputParser.from_response_schemas(response_schemas)
format_instructions = output_parser.get_format_instructions()
prompt = PromptTemplate(
    template="回答下面問題.\n{format_instructions}\n{question}",
    input_variables=["question"],
    partial_variables={"format_instructions": format_instructions}
)
_input = prompt.format_prompt(question="給我一個女孩的名字?")
output = model(_input.to_string())
print(output)
print(output_parser.parse(output))

這個例子是上面的PydanticOutputParser的改寫，但是更加簡單。

我們可以得到下面的結(jié)果：

` ` `json
{
"name": "Jane",
"age": "18"
}
` ` `
{'name': 'Jane', 'age': '18'}

output返回的是一個markdown格式的json字符串，然后通過output_parser.parse得到最后的json。

其他的一些parser

除了json，xml格式也是比較常用的格式，langchain中提供的XML parser叫做XMLOutputParser。

另外，如果我們在使用parser的過程中出現(xiàn)了格式問題，langchain還貼心的提供了一個OutputFixingParser。也就是說當(dāng)?shù)谝粋€parser報錯的時候，或者說不能解析LLM輸出的時候，就會換成OutputFixingParser來嘗試修正格式問題：

from langchain.output_parsers import OutputFixingParser
new_parser = OutputFixingParser.from_llm(parser=parser, llm=ChatOpenAI())
new_parser.parse(misformatted)

如果錯誤不是因為格式引起的，那么langchain還提供了一個RetryOutputParser,來嘗試重試：

from langchain.output_parsers import RetryWithErrorOutputParser
retry_parser = RetryWithErrorOutputParser.from_llm(
    parser=parser, llm=OpenAI(temperature=0)
)
retry_parser.parse_with_prompt(bad_response, prompt_value)

這幾個parser都非常有用，大家可以自行嘗試。