AI(學習筆記第三課) 使用langchain進行AI開發（2）

• 使用langchain，返回結構化數據

學習內容：

• 使用langchain，返回結構化數據(pydantic)
• 使用langchain，返回結構化數據(json)
• 提供一些示例few shot prompting
• 模型綁定工具Tool Calling
• 使用langchain，返回結構化數據(method)
• 使用langchain，返回結構化數據(include raw)

---

1. 返回結構化數據（structured_output pydantic）

1.1 使用背景

一般的AI Application都是希望給LLM給出的回答，能夠進行解析，所以最好是結構化的結果（structured output）。

參照langchain的官方文檔。
structured_output

1.2 返回結構化數據示例代碼（pydantic）

• 使用deepseek的官方AI，不使用自己構造的ollama
• 需要引入langchain-deepseek這個包，可以看出langchain開始對于deepseek支持了。
• 可以看出，這是使用的是pydantic的結構化數據。

from typing import Optional
from langchain_deepseek import ChatDeepSeek
from pydantic import BaseModel, Fieldllm = ChatDeepSeek(model="deepseek-chat",  # 模型名稱temperature=0,         # 控制生成隨機性(0-1)max_tokens=None,       # 最大輸出token數timeout=None,          # 超時設置max_retries=2,         # 失敗重試次數api_key="your own deepseek api key"
)class Joke(BaseModel):"""Joke to tell user."""setup: str = Field(description="The setup of the joke")punchline: str = Field(description="The punchline to the joke")rating: Optional[int] = Field(default=None, description="How funny the joke is, from 1 to 10")
structured_llm = llm.with_structured_output(Joke)
print(structured_llm.invoke("Tell me a joke about cats"))

1.3 執行測試代碼

setup="Why don't cats play poker in the jungle?" punchline='Too many cheetahs!' rating=7

結果已經是結構化的數據了。

2 返回結構化數據（json）

2.1 示例代碼

除了pydantic格式之外，也可以是數據的json

from langchain_deepseek import ChatDeepSeek
from typing import Optional
from typing_extensions import Annotated, TypedDict
import warnings
warnings.filterwarnings("ignore", category=DeprecationWarning)llm = ChatDeepSeek(model="deepseek-chat",  # 模型名稱temperature=0,         # 控制生成隨機性(0-1)max_tokens=None,       # 最大輸出token數timeout=None,          # 超時設置max_retries=2,         # 失敗重試次數api_key=