实战 AI: Langchain 库中的 OpenAI 函数调用 API

引言

在探索人工智能领域时，我们常常需要利用现有的 API 来实现特定的功能。近日，在研究 Langchain 库时，我发现了一个很有趣的功能：利用 OpenAI 的函数调用 API 在一个链中执行特定操作。这不仅展示了如何从 ChatOpenAI 获取结构化输出，还展示了如何创建和执行函数链。这个功能为我们提供了一种新的可能性，使得在一个链中执行多个函数成为可能。通过这种方式，我们能够根据特定的输入，获得结构化的输出，从而为后续的操作提供更准确的数据。

LangChain OpenAI 函数

首先，我们需要了解如何从 ChatOpenAI 获取结构化的输出。在 Langchain 库中，有一个 create_structured_output_chain 函数，它可以接受一个 Pydantic 类或 JsonSchema 作为结构化输出的格式。通过这种方式，我们可以强制模型返回特定结构的输出，从而方便后续的处理。

例如，我们可以创建一个 Person 类，用于描述一个人的基本信息：

from langchain.pydantic_v1 import BaseModel, Field   
​
class Person(BaseModel):  
    """Identifying information about a person."""  
​
    name: str = Field(..., description="The person's name")  
    age: int = Field(..., description="The person's age")  
    fav_food: Optional[str] = Field(None, description="The person's favorite food")  

然后，我们可以创建一个链来处理特定的输入，并尝试从中提取结构化的信息。例如，我们可以创建以下链来处理输入 “Sally is 13”：

llm = ChatOpenAI(model="gpt-4", temperature=0)  
prompt = ChatPromptTemplate.from_messages(  
    [  
        ("system", "You are a world class algorithm for extracting information in structured formats."),  
        ("human", "Use the given format to extract information from the following input: {input}"),  
        ("human", "Tip: Make sure to answer in the correct format"),  
    ]  
)  
​
chain = create_structured_output_chain(Person, llm, prompt, verbose=True)  
chain.run("Sally is 13")  

运行结果如下：

Person(name='Sally', age=13, fav_food='Unknown')  

这样，我们就成功地从文本中提取了结构化的信息。通过类似的方式，我们还可以处理更复杂的输入，例如包含多个人信息的文本。此外，我们还可以使用 JsonSchema 来指定所需的结构，而不是 Pydantic 类。

注意，在上面的例子中，类和字段的描述（Description）非常重要，这决定了大模型判断的输出内容。

实现文本翻译

在 Langchain 库中，create_structured_output_chain 函数为我们提供了一种简洁的方法来处理特定任务，并获得结构化的输出。例如，我们可以利用这个功能来实现文本翻译。首先，我们需要定义一个 Pydantic 模型来描述翻译的输出结构，如下：

from langchain.pydantic_v1 import BaseModel, Field
​
class Translation(BaseModel):
    translation: str = Field(..., description="Translated text")

接下来，我们初始化 ChatOpenAI 模型，并创建一个翻译提示模板：

from langchain.chat_models import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
​
llm = ChatOpenAI(model="gpt-4", temperature=0)
​
prompt = ChatPromptTemplate.from_messages([
    ("system", "You are a translation model capable of translating English text to Chinese."),
    ("human", "Translate the following text: {input}")
])

最后，我们利用 create_structured_output_chain 函数创建一个函数链，并运行该链来翻译指定的文本：

from langchain.chains.openai_functions import create_structured_output_chain
​
chain = create_structured_output_chain(Translation, llm, prompt, verbose=True)
​
result = chain.run("Hello, how are you?")
​
print(result)

这样，我们获得了翻译结果，还保证了输出的结构化，可以为下游操作提供便利。

结论

通过上述示例，我们可以看到 Langchain 通过 create_structured_output_chain 函数，为我们提供了一种有效的方式来实现特定任务的结构化输出。这种方法不仅使代码更加简洁，也大大提高了我们处理和提取结构化信息的效率。随着 AI 技术的不断发展，结构化输出将在数据处理、信息提取和自然语言处理等多个领域发挥重要作用。我相信，Langchain 的这种功能会得到广泛的应用，为开发者和研究者们提供更多便利。

社区

如果您对笔者的文章感兴趣，可以加笔者微信 tikazyq1 并注明 "码之道"，笔者会将你拉入 "码之道" 交流群。