【2024最全最细Langchain教程-5 】Langchain模型I/O之输出解析器_from langchain_openai import chatopenai

【2024最全最细Langchain教程-4 】Langchain模型I/O之提示Prompt（二）-CSDN博客

输出解析器的最简单应用

        之前我们提过，我们使用的聊天包装器输出的是一个AIMessage类型的消息体，而我们在组建chain链的时候，往往需要输出str或者其他格式的输出，因此这里会引入输出解析器的概念，它的作用把langchain的输出进行格式转化，我们来看代码，这里StrOutputParser就是我们引入的输出解析器，它把原来的AIMessage输出成为str ：

import langchain
import os
 
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
 
api_key = os.getenv("OPENAI_API_KEY")
 
llm = ChatOpenAI(
    openai_api_key=api_key,
    temperature=0.9,
    base_url = "https://apejhvxcd.cloud.sealos.io/v1"
)
 
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个中国历史专家."),
    ("user", "{input}")
])
 
output_parser = StrOutputParser()
 
chain = prompt | llm | output_parser
 
response = chain.invoke({"input":"简单介绍一下宋朝的历史"})
print(response,type(response))

           我们来看这个链调用的输出结果的类型，是一个str：

模型绑定和控制

        你可以对llm模型进行函数绑定和控制，这里我们给一个最简单的示例，在上面代码的基础上给llm模型加一个绑定和限制，如下图：

llm2 = ChatOpenAI(
    openai_api_key=api_key,
    temperature=0.9,
    base_url = "https://apejhvxcd.cloud.sealos.io/v1"
)
 
prompt2 = ChatPromptTemplate.from_messages([
    ("system", "你是一个中国历史专家."),
    ("user", "{input}")
])
 
output_parser = StrOutputParser()
 
chain2 = prompt2 | llm2.bind(stop=["\n"]) | output_parser
 
chain2.invoke({"input":"简单介绍一下宋朝的历史"})

        这个绑定的意思是说，当模型的输出遇到换行符（“\n”）就停止不再输出了，加上这个之后我们可以看到同样的问题，模型返回的结果被处理截短了：

        llm模型还可以绑定函数，以对模型进行更复杂的处理，这个我们后面在更复杂的案例里再介绍。

另外一种链的生成方式

        这两节课上，我们已经看到了一种langchain最推荐、也是最简单的组链方式，我们来看另外一种组链的方式，这种方式也可以实现，但是不太推荐，这是因为这种组链方式如果在复杂链和复合链的构造时，修改起来会比较麻烦，但是我们也需要知道有其他的组链方式：

import langchain
import os
 
from langchain_openai import ChatOpenAI
from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
 
api_key = os.getenv("OPENAI_API_KEY")
 
llm = ChatOpenAI(
    openai_api_key=api_key,
    temperature=0.9,
    base_url = "https://apejhvxcd.cloud.sealos.io/v1"
)
 
prompt = (
    ChatPromptTemplate.from_template("Tell me a joke about {topic}")
    + ", make it funny"
    + "\n\n and in {language}"
    
    # PromptTemplate.from_template("Tell me a joke about {topic}")
    # + ", make it funny"
    # + "\n\n and in {language}"
)
 
# print(prompt)
 
output_parser = StrOutputParser()
 
#这种chain的组装方式是老的方式，不太推荐，推荐用新的 | 组装chain
chain = LLMChain(llm=llm, prompt=prompt, output_parser=output_parser) 
 
print(chain.invoke({"topic":"历史", "language":"chinese"}))

项目git地址：https://github.com/jerry1900/jupyter

项目视频地址：【2024最全最细】langchain之输出解析器_哔哩哔哩_bilibili