前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家。点击跳转到网站。

在一些入门例子中，我们会发现，我们可以告诉 LLM 如何输出，然后输出的结果真的是我们想要的，比如下面这个例子：

from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import PromptTemplate
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model_name="gpt-3.5-turbo", temperature=0.5, max_tokens=200)

summarizing_prompt_template = """
输出为 JSON 格式，包含字段 content、summary。

总结以下文本为一个 20 字以内的句子:
---
{content}
"""
prompt = PromptTemplate.from_template(summarizing_prompt_template)

summarizing_chain = prompt | llm | StrOutputParser()

print(summarizing_chain.invoke({"content": "这是一个测试。"}))

在实际使用中，content 可能是一个很长的文本。

输出：

{
  "content": "这是一个测试。",
  "summary": "这是一个测试。"
}

正如某些例子上经常写的 “You are a helpful assistant”，其实从某种程度上来说，我们确实可以把 LLM 看作是我们的一名得力助手。
这名助手是可以理解我们说的话并作出回应的。

因此，我们就可以告诉 LLM，我们希望输出的格式是 JSON，然后我们可以在 JSON 中定义我们希望输出的字段。

langchain 中的 JSON 输出

在上面这个例子中，其实是等于我们给了 LLM 一个指令，告诉它我们希望输出的格式是 JSON，然后我们定义了 JSON 的格式。
既然很多时候我们都想要给我们的 LLM 一个指令，那为何不把这些逻辑固定下来呢？

为了解决这个问题，langchain 的 PromptTemplate 为我们提供了指定输出的指令的通用解决方案。

from langchain.output_parsers import StructuredOutputParser, ResponseSchema
from langchain_core.prompts import PromptTemplate
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    model_name="gpt-3.5-turbo",
    temperature=0.5,
    max_tokens=200
)

response_schemas = [
    ResponseSchema(name="content", description="The original content"),
    ResponseSchema(name="summary", description="The summary of the content"),
]
output_parser = StructuredOutputParser.from_response_schemas(response_schemas)
format_instructions = output_parser.get_format_instructions()

summarizing_prompt_template = """
{format_instructions}

总结以下文本为一个 20 字以内的句子:
---
{content}
"""
prompt = PromptTemplate.from_template(summarizing_prompt_template, partial_variables={'format_instructions': format_instructions})

summarizing_chain = prompt | llm | output_parser

print(summarizing_chain.invoke({"content": "这是一个测试。"}))

输出：

{
  "content": "这是一个测试。",
  "summary": "这是一个测试。"
}

说明：

1. ResponseSchema 用于定义输出的字段，name 为字段名，description 为字段描述。这些信息是给 LLM 看的。LLM 会根据这些信息来输出我们想要的结果。
2. partial_variables 用于传递部分变量给模板，剩下的变量会在调用 LLM 的时候再传递。

在上面这个例子中，我们实际传递给 LLM 的模板是：

The output should be a markdown code snippet formatted in the following schema, including the leading and trailing "```json" and "```":

```json
{
	"content": string  // The original content
	"summary": string  // The summary of the content
}
```

总结以下文本为一个 20 字以内的句子:
---
这是一个测试。

这个模板告诉 LLM，我们希望输出的格式是 JSON，然后我们定义了 JSON 的格式。

总结

在 langchain 中，我们可以通过 ResponseSchema 来定义我们希望输出的字段，然后生成一个 prompt，传递给 LLM，让 LLM 知道我们希望输出的格式是什么。