文心一言赋能问卷生成，打造高效问卷调研工具

当前，各种大语言模型（LLM，Large Language Model）井喷式发展，基于LLM的应用也不断涌现。但是，当开发者基于LLM开发下游应用时，LLM直接生成的结果在格式、内容等方面都存在许多不确定因素，难以与其他业务逻辑代码做数据交互，导致开发者需要多次生成并对输出结果做大量的规则判断处理工作，使得大模型原生应用的开发门槛抬高、难度加大。

为此，本文以问卷页面生成任务为例，手把手教大家控制ERNIE SDK输出JSON格式的生成结果并与前端交互，实现通过ERNIE SDK生成问卷网页的目的。通过本文，你将学习到：

• 前后端交互的桥梁——JSON
• 用LLM2Json控制文心大模型4.0的输出格式
• 基于文心大模型的原生应用开发流程

JSON数据结构

本文任务的核心是生成交互数据，前后端的交互数据常用格式有JSON和XML。由于JSON格式结构简单，容易被各大常用开发语言解析和生成，因此目前绝大多数Web应用使用JSON格式进行交互。

JSON数据根据结构的复杂度可简单可分成两种，单层结构和多层嵌套结构。

单层结构

单层数据结构是类似于 {key1: value1, key2: value2, …} 这样只有一层键值对关系的结构，相对来说比较简单，生成可控度高，不容易出错。比如：

{
    "address": "北京市朝阳区XXX路XXX号",
    "date": "2023-06-25",
    "email": "zhangsan@example.com",
    "idcode": "110101199003077777",
    "name": "张三",
    "phone": "13800000000",
    "sex": "男"
}
1
2
3
4
5
6
7
8
9

多层嵌套结构

多层嵌套结构是比较复杂的数据结构，如例子所示，在address的第一层级下，嵌套了第二层级的city、area、road和detail字段。在真实业务场景中，数据结构体往往是多层嵌套，字段多，嵌套关系也比较复杂，因此该类数据结构体生成的难度比较大，容易出现一些纰漏导致数据解析不正确而报错。

{
    "address": {
        "city": "北京市",
        "area": "朝阳区",
        "road": "XXX路",
        "detail": "XXX号"
    },
    "date": "2023-06-25",
    "email": {
        "common": "zhangsan@example.com",
        "backup": "zhangsan@example1.com"
    },
    "idcode": "110101199003077777",
    "name": "张三",
    "phone": "13800000000",
    "sex": "男"
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

本文的问卷网页生成任务，本质上就是生成一个多层嵌套结构的数据，并与前端交互渲染形成可视化网页，下面开始给大家演示和解析代码。

动手开发

安装依赖

本项目需要主要依赖erniebot和llm2json两个包。ERNIE SDK用于调用文心一言的文本生成能力，目前支持ernie-3.5、ernie-turbo、ernie-4.0、ernie-longtext等多个版本等模型直接调用。LLM2Json是一个易于使用的格式化大语言模型输出工具包，它的主要设计思想和部分实现代码参考LangChain。它可以通过自动构建prompts引导大语言模型输出符合JSON语法的返回数据，解决了大语言模型格式化输出、数据交互、前端开发等遇到的数据格式相关问题，使下游的应用程序、GPTs、Agents等开发更加方便快捷。

pip install erniebot --upgrade
pip install llm2json
1
2

配置 ERNIE SDK

对ERNIE SDK进行简单的封装，以便后面代码快速调用。请注意将access_token换成你的aistudio账户对应的token，同时保证token余额充足。另外，本项目演示使用ernie-4.0版本，在测试环境中4.0版本的表现最优，开发者可根据自己的成本和推理速度需求更换为ernie-3.5、ernie-turbo等版本。

import erniebot

erniebot.api_type = "aistudio"
erniebot.access_token = "xxxxxxxxxxxxxxxxxxx"

def ernieChat(content):
    response = erniebot.ChatCompletion.create(model = "ernie-4.0",
        messages = [{
            "role": "user",
            "content": content
        }])
    return response.get_result()
1
2
3
4
5
6
7
8
9
10
11
12

定义数据结构

一份问卷的生成结构至少有两层。第一层是title（问卷标题）、description（问卷描述）和最核心的data（问题列表）结构体。第二层是对data嵌套数据的定义。在data下面有若干个问题和选项，并且问题类型有单选题、多选题、填空题，因此，这里需要针对问题定义一个新的对象Question，第一个键是types，用于确定问题类型，它是整数型的数据（1为单选，2为多选，3为填空）；第二个是question，定义问题；第三个是choices问题对应的选项内容，数据类型是列表list。

from typing
import List
from llm2json.prompts.schema
import BaseModel, Field

class Question(BaseModel):
    types: int = Field(description = "问题类型，1为单选，2为多选，3为填空")
    question: str = Field(description = "问题内容")
    choices: List[str] = Field(description = "选项内容")

class WenJuan(BaseModel):
    title: str = Field(description = "问卷标题")
    description: str = Field(description = "问卷描述")
    data: List[Question] = Field(description = "问题列表")
1
2
3
4
5
6
7
8
9
10
11
12
13
14

定义正例

因为多层嵌套的数据结构体比较复杂，因此建议开发者最好给模型输入一个正确示例，让模型生成的输出结果更加完美和稳定。

correct_example = ''
' {
    "title": "问卷标题",
    "description": "问卷描述",
    "data": [{
            "types": 1,
            "question": "问题（单选）"
            "choices": ["选项1", "选项2", "选项3"]
        },
        {
            "types": 2,
            "question": "问题（多选）"
            "choices": ["选项1", "选项2", "选项3"]
        },
        {
            "types": 3,
            "question": "问题（填空）"
        },
    ]
}
''
'
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

定义Prompt任务模板

Prompt任务模版主要是告诉大语言模型需要生成的内容，以及定义用户输入变量。在本案例中，我们的目的是生成问卷，用户输入的变量是问卷的主题(topic)和问题的数量(num)，并将3、4中定义好的数据结构和正例传入。

from llm2json.prompts import Templates

t = Templates(prompt="""
请你根据主题<{topic}>，设计一份问卷。
问卷描述需要简单说明该问卷调研的目的。
问卷题型需包含单选、多选和填空题，对应types分别为1、2、3。
如果题目类型为填空题，该题不需要返回choices字段。
出题题型顺序请随机生成。
题目总数为{num}道题。
""", 
field=WenJuan,
correct_example=correct_example)
1
2
3
4
5
6
7
8
9
10
11
12

测试生成

以文心一言用户反馈作为问卷的主题，生成一份包含10道题的问卷。

from llm2json.output import JSONParser
from pprint import pprint

# 将用户输入替换模型变量
template = t.invoke(topic="文心一言用户反馈", num="10")
# 将Prompt模版提交给ErnieBot
ernieResult = ernieChat(template)

# 解析生成结果
parser = JSONParser()
result = parser.to_dict(ernieResult)
pprint(result)
1
2
3
4
5
6
7
8
9
10
11
12

运行后，会得到如下图所示的数据：

前端绑定渲染

获得生成后的JSON格式数据，就可以与前端代码结合，解析数据结构体、绑定字段并渲染。前端的核心代码主要是对问卷类型的判断，然后根据问卷类型，也就是types的值匹配不同的表单组件。（此处只展示前端核心代码部分，完整前端代码请通过文章最后的项目链接获取）

<div class="choices">
<!--单选题-->
<div v-if="item.types==1">
<a-radio-group v-model:value="item.choices.keys">
<a-radio v-for="choice in item.choices" :value="choice">
{{ choice }}
</a-radio>
</a-radio-group>
</div>

<!--多选题-->
<div v-else-if="item.types==2">
<a-checkbox-group 
:options="item.choices" />
</div>

<!--填空题-->
<div v-else-if="item.types==3">
<a-input style="max-width:300px"/>
</div>
</div>
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

前端渲染结果：

快速体验

本项目以问卷网页生成任务为案例，为大家介绍了控制大语言模型格式化输出JSON多层嵌套结构数据并与前端字段绑定做数据交互的流程。通过利用JSON数据结构进行前后端的链接交互，开发者可以将大语言模型的能力轻松集成到现有OA、ERP和CRM等系统，快速赋能企业已有业务，实现办公智能化升级；或从零开始高效开发大模型原生应用，不再担心数据结构解析出错等灾难性问题，为用户提供更好的服务体验。