入门
语言模型输出的是文本。但是很多时候，您可能想要获得的信息比仅仅是文本。这就是输出解析器的用处。
输出解析器是帮助结构化语言模型响应的类。输出解析器必须实现两种主要方法：
get_format_instructions() -> str：该方法返回一个包含语言模型输出格式说明的字符串。parse(str) -> Any：该方法接受一个字符串（假定为语言模型的响应），并将其解析成某种结构。
还有一个可选方法：
parse_with_prompt(str, PromptValue) -> Any：该方法接受一个字符串（假定为语言模型的响应）和一个提示（假定为生成此类响应的提示），然后将其解析成某种结构。提示在很大程度上是提供的，以防OutputParser希望以某种方式重试或修复输出，并需要提示信息来执行此操作。
下面我们介绍主要类型的输出解析器——PydanticOutputParser。其他选项请参见examples文件夹。
from langchain.prompts import PromptTemplate, ChatPromptTemplate, HumanMessagePromptTemplate
from langchain.llms import OpenAI
from langchain.chat_models import ChatOpenAI
from langchain.output_parsers import PydanticOutputParser
from pydantic import BaseModel, Field, validator
from typing import List
model_name = 'text-davinci-003'
temperature = 0.0
model = OpenAI(model_name=model_name, temperature=temperature)
# Define your desired data structure.
class Joke(BaseModel):
setup: str = Field(description="question to set up a joke")
punchline: str = Field(description="answer to resolve the joke")
# You can add custom validation logic easily with Pydantic.
@validator('setup')
def question_ends_with_question_mark(cls, field):
if field[-1] != '?':
raise ValueError("Badly formed question!")
return field
# Set up a parser + inject instructions into the prompt template.
parser = PydanticOutputParser(pydantic_object=Joke)
prompt = PromptTemplate(
template="Answer the user query.\n{format_instructions}\n{query}\n",
input_variables=["query"],
partial_variables={"format_instructions": parser.get_format_instructions()}
)
# And a query intented to prompt a language model to populate the data structure.
joke_query = "Tell me a joke."
_input = prompt.format_prompt(query=joke_query)
output = model(_input.to_string())
parser.parse(output)
Joke(setup='Why did the chicken cross the road?', punchline='To get to the other side!')