langchain.chains.openai_functions.extraction.create_extraction_chain

langchain.chains.openai_functions.extraction.create_extraction_chain(schema: dict, llm: BaseLanguageModel, prompt: Optional[BasePromptTemplate] = None, tags: Optional[List[str]] = None, verbose: bool = False) → Chain[source]

自版本 0.1.14 弃用： LangChain 引入了名为 with_structured_output 的方法，该方法在支持工具调用的 ChatModel 上可用。您可以在此处了解有关该方法的更多信息：<https://python.langchain.ac.cn/docs/modules/model_io/chat/structured_output/>。有关如何使用 LLM 进行信息提取的更多指南，请参阅我们的提取用例文档。<https://python.langchain.ac.cn/docs/use_cases/extraction/>。如果您发现其他问题，请在此处提供反馈：<https://github.com/langchain-ai/langchain/discussions/18154> 使用 `` from langchain_core.pydantic_v1 import BaseModel, Field from langchain_anthropic import ChatAnthropic

class Joke(BaseModel)

setup: str = Field(description="笑话的设定") punchline: str = Field(description="笑话的结尾")

请参考资料中的 structured_output 的文档，查看哪些模型支持 with_structured_output # 同样需要一个支持工具的其他聊天模型。 model = ChatAnthropic(model="claude-3-opus-20240229", temperature=0) structured_llm = model.with_structured_output(Joke) structured_llm.invoke(“Tell me a joke about cats.

记得调用 Joke 函数。”)

`` 替换。

创建一个从段落中提取信息的链。

参数

  • schema (dict) - 要提取的实体的模式。

  • llm (BaseLanguageModel) - 要使用的语言模型。

  • 提示 (可选]BasePromptTemplate]) – 用于提取的提示。

  • verbose (布尔类型) – 是否以详细模式运行。在详细模式下，一些中间日志会被打印到控制台。默认为全局 verbose 值，可通过 langchain.globals.get_verbose() 获取。

  • tags (可选][str]]) –

返回值

可以用来从文章中提取信息的链。

返回类型

Chain