Skip to main content

标记

标记链使用OpenAI的functions参数来指定用于标记文档的模式。这帮助我们确保模型输出我们想要的准确标记及其适当的类型。

当我们想要给一段落打标签时，可以使用标记链来指定特定的属性（例如，这条信息的情感是什么？）

from langchain.chat_models import ChatOpenAI
from langchain.chains import create_tagging_chain, create_tagging_chain_pydantic
from langchain.prompts import ChatPromptTemplate

/Users/harrisonchase/.pyenv/versions/3.9.1/envs/langchain/lib/python3.9/site-packages/deeplake/util/check_latest_version.py:32: UserWarning: 有一个更新的deeplake版本(3.6.4)可用。建议使用pip install -U deeplake更新到最新版本。 warnings.warn(

llm = ChatOpenAI(temperature=0, model="gpt-3.5-turbo-0613")

最简单的方法，只指定类型​

我们可以通过在模式中指定一些属性及其预期类型来开始

schema = {
    "properties": {
        "sentiment": {"type": "string"},
        "aggressiveness": {"type": "integer"},
        "language": {"type": "string"},
    }
}
chain = create_tagging_chain(schema, llm)

正如我们在示例中看到的，它正确地解释了我们的需求，但结果可能会不同，例如不同语言的情感（'positive'、'enojado'等）。

我们将在下一节中看到如何控制这些结果。

inp = "Estoy increiblemente contento de haberte conocido! Creo que seremos muy buenos amigos!"
chain.run(inp)
{'sentiment': 'positive', 'language': 'Spanish'}
inp = "Estoy muy enojado con vos! Te voy a dar tu merecido!"
chain.run(inp)
{'sentiment': 'enojado', 'aggressiveness': 1, 'language': 'Spanish'}
inp = "Weather is ok here, I can go outside without much more than a coat"
chain.run(inp)
{'sentiment': 'positive', 'aggressiveness': 0, 'language': 'English'}

更多控制​

通过明确定义模式，我们可以更好地控制模型输出。具体而言，我们可以定义以下内容：

  • 每个属性的可能值
  • 描述以确保模型理解属性
  • 返回的必需属性

以下是如何使用enum、description和required来控制每个方面的示例：

schema = {
    "properties": {
        "sentiment": {"type": "string", "enum": ["happy", "neutral", "sad"]},
        "aggressiveness": {
            "type": "integer",
            "enum": [1, 2, 3, 4, 5],
            "description": "描述句子的伤害程度，数字越大，伤害性越大",
        },
        "language": {
            "type": "string",
            "enum": ["spanish", "english", "french", "german", "italian"],
        },
    },
    "required": ["language", "sentiment", "aggressiveness"],
}
chain = create_tagging_chain(schema, llm)

现在答案很多了！

inp = "Estoy increiblemente contento de haberte conocido! Creo que seremos muy buenos amigos!"
chain.run(inp)
{'sentiment': 'happy', 'aggressiveness': 0, 'language': 'spanish'}
inp = "Estoy muy enojado con vos! Te voy a dar tu merecido!"
chain.run(inp)
{'sentiment': 'sad', 'aggressiveness': 10, 'language': 'spanish'}
inp = "Weather is ok here, I can go outside without much more than a coat"
chain.run(inp)
{'sentiment': 'neutral', 'aggressiveness': 0, 'language': 'english'}

使用Pydantic指定模式​

我们还可以使用Pydantic模式来指定所需的属性和类型。我们还可以发送其他参数，例如'enum'或'description'，如下所示的示例中所示。

通过使用create_tagging_chain_pydantic函数，我们可以将Pydantic模式作为输入发送，并且输出将是符合我们期望的模式的实例化对象。

通过这种方式，我们可以像在Python中定义新类或函数一样定义我们的模式-使用纯净的Python类型。

from enum import Enum
from pydantic import BaseModel, Field
class Tags(BaseModel):
    sentiment: str = Field(..., enum=["happy", "neutral", "sad"])
    aggressiveness: int = Field(
        ...,
        description="描述句子的伤害程度，数字越大，伤害性越大",
        enum=[1, 2, 3, 4, 5],
    )
    language: str = Field(
        ..., enum=["spanish", "english", "french", "german", "italian"]
    )
chain = create_tagging_chain_pydantic(Tags, llm)
inp = "Estoy muy enojado con vos! Te voy a dar tu merecido!"
res = chain.run(inp)

res