如何使用 LangChain 的输出解析器驯服语言模型输出

介绍

我一直在使用 Langchain 的输出解析器来构造语言模型的输出。我发现它是一个有用的工具，因为它允许我以我想要的格式获得输出。

在本文中，我将分享我使用输出解析器的经验，讨论我如何使用它来构建不同语言模型的输出，并分享我发现的一些好处。

我希望本文对任何有兴趣使用输出解析器的人有所帮助。

以下是使用输出解析器的一些好处：

它有助于使语言模型的输出更加结构化且更易于理解。
它可用于获取更多结构化信息，而不仅仅是返回文本。
它可以定制以满足特定应用程序的特定需求。

在实践中

假设我们想使用 LLM 使用 Go Lang 创建一个简单的 TODO Web API 服务器。

首先，我们将定义输出结构。在本例中，它是一个具有“souce_code”内容和文件名的“SourceCode”类。

from pydantic import BaseModel, Field, validator

class SourceCode(BaseModel):
    source_code: str = Field(description="The current source code")
    file_name: str = Field(description="The file name with extension for this code")

parser = PydanticOutputParser(pydantic_object=SourceCode)

然后我们准备提示询问chatgpt

from langchain.prompts import PromptTemplate

prompt = PromptTemplate(
    te