我最近遇到了講師庫，我必須說，給我留下了深刻的印象。結構化非結構化資料的概念非常強大，我敢說，有點神奇。你可以獲取無處不在的數據並以某種方式對其施加秩序——嗯，這就是我的魔法。
但是…它到底是如何運作的？
為了找到答案，我花了一些時間深入研究這個庫的內部結構，我發現幕後有兩個關鍵人物對它的大部分魔力負責。
import instructor from pydantic import BaseModel from openai import OpenAI
現在，如果您熟悉 Python 的資料驗證和設定管理，您可能聽說過 Pydantic。如果你還沒有…好吧，請繫好安全帶！這是一個令人驚嘆的庫，可讓您定義資料結構，然後即時驗證傳入資料是否與這些結構相符。將其視為高級俱樂部的保鏢，確保只有正確的數據才能進入。
FastAPI 是另一個很棒的工具，它很好地利用了 Pydantic 來確保透過 API 傳遞的資料採用正確的格式。那麼，下一步是什麼？現在我們已經定義了我們的結構，我們如何讓 LLM（如 OpenAI 的 GPT）遵循它？嗯……
我的第一個假設是 Pydantic 可能允許某種序列化——將資料結構轉換為法學碩士可以輕鬆理解和使用的東西。事實證明，我沒有錯。
Pydantic 讓您可以使用以下方法將資料序列化到字典中：
model.model_dump(...) # Dumps the model into a dictionary
此方法遞歸地將 Pydantic 模型轉換為字典，然後可以輸入 LLM 進行處理。到目前為止，一切都很好。但後來我偶然發現了一些更有趣的事：
一切都變得更好了。 Pydantic 不僅可以將資料轉換為字典，還可以為您的模型產生 JSON 模式。這是關鍵，因為現在您已經有了希望 LLM 遵循的結構藍圖。
這就是事情真正開始發生的地方：
# Generate a JSON schema for a Pydantic model response_model.model_json_schema()
賓果！現在您已經有了一個清晰的架構，它準確地定義了資料的外觀。這是我們可以發送給 LLM 的藍圖，因此它確切地知道如何建立其輸出。
import instructor from pydantic import BaseModel from openai import OpenAI
在這裡，圖書館將模式傳遞給 LLM，要求它傳回符合該結構的資料。訊息很明確：「嘿 LLM，在生成輸出時請尊重此模式。」這就像給你的法學碩士一張詳細的地圖並說：「嚴格遵循這些指示。」
因此，經過所有這些調查，我現在確信：Pydantic 的序列化和 JSON 模式生成使得 Instructor 庫能夠獲得遵循結構化資料格式的 LLM。
感謝您與我一起完成這個有趣（且有點複雜）的調查。誰知道透過 Python 庫的一點幫助和一點創造性的提示就可以馴服非結構化資料？
以上是探索教師庫：結構化非結構化資料（以及沿途的一些樂趣）的詳細內容。更多資訊請關注PHP中文網其他相關文章！
