将文本分类为标签

标签意味着使用诸如以下类别标记文档：

• 情绪
• 语言
• 风格（正式、非正式等）
• 涵盖的主题
• 政治倾向

概述

标签有几个组成部分

• function: 与提取类似，标签使用函数来指定模型应该如何标记文档
• schema: 定义我们希望如何标记文档

快速入门

让我们看一个非常简单的示例，说明如何在 LangChain 中使用 OpenAI 工具调用进行标签。我们将使用 OpenAI 模型支持的 .withStructuredOutput() 方法

npm

npm i langchain @langchain/openai @langchain/core zod

yarn

yarn add langchain @langchain/openai @langchain/core zod

pnpm

pnpm add langchain @langchain/openai @langchain/core zod

让我们在我们的架构中指定一个具有几个属性及其预期类型的Zod 架构。

import { ChatPromptTemplate } from "@langchain/core/prompts";
import { ChatOpenAI } from "@langchain/openai";
import { z } from "zod";

const taggingPrompt = ChatPromptTemplate.fromTemplate(
  `Extract the desired information from the following passage.

Only extract the properties mentioned in the 'Classification' function.

Passage:
{input}
`
);

const classificationSchema = z.object({
  sentiment: z.string().describe("The sentiment of the text"),
  aggressiveness: z
    .number()
    .int()
    .min(1)
    .max(10)
    .describe("How aggressive the text is on a scale from 1 to 10"),
  language: z.string().describe("The language the text is written in"),
});

// LLM
const llm = new ChatOpenAI({
  temperature: 0,
  model: "gpt-3.5-turbo-0125",
});
// Name is optional, but gives the models more clues as to what your schema represents
const llmWihStructuredOutput = llm.withStructuredOutput(classificationSchema, {
  name: "extractor",
});

const taggingChain = taggingPrompt.pipe(llmWihStructuredOutput);

const input =
  "Estoy increiblemente contento de haberte conocido! Creo que seremos muy buenos amigos!";
await taggingChain.invoke({ input });

{ sentiment: "positive", aggressiveness: 1, language: "Spanish" }

正如我们在示例中看到的，它正确地解释了我们想要什么。

结果会有所不同，因此我们可能会得到例如不同语言的情绪（‘积极’、‘enojado’ 等）。

我们将在下一节中了解如何控制这些结果。

更精细的控制

仔细的架构定义使我们能够更好地控制模型的输出。

具体来说，我们可以定义

• 每个属性的可能值
• 说明以确保模型理解该属性
• 需要返回的属性

让我们重新声明我们的 Zod 架构以使用枚举控制前面提到的每个方面

import { z } from "zod";

const classificationSchema = z.object({
  sentiment: z
    .enum(["happy", "neutral", "sad"])
    .describe("The sentiment of the text"),
  aggressiveness: z
    .number()
    .int()
    .min(1)
    .max(5)
    .describe(
      "describes how aggressive the statement is, the higher the number the more aggressive"
    ),
  language: z
    .enum(["spanish", "english", "french", "german", "italian"])
    .describe("The language the text is written in"),
});

const taggingPrompt = ChatPromptTemplate.fromTemplate(
  `Extract the desired information from the following passage.

Only extract the properties mentioned in the 'Classification' function.

Passage:
{input}
`
);

// LLM
const llm = new ChatOpenAI({
  temperature: 0,
  model: "gpt-3.5-turbo-0125",
});
const llmWihStructuredOutput = llm.withStructuredOutput(classificationSchema, {
  name: "extractor",
});

const chain = taggingPrompt.pipe(llmWihStructuredOutput);

现在，答案将以我们预期的方式受到限制！

const input =
  "Estoy increiblemente contento de haberte conocido! Creo que seremos muy buenos amigos!";
await chain.invoke({ input });

{ sentiment: "happy", aggressiveness: 3, language: "spanish" }

const input = "Estoy muy enojado con vos! Te voy a dar tu merecido!";
await chain.invoke({ input });

{ sentiment: "sad", aggressiveness: 5, language: "spanish" }

const input =
  "Weather is ok here, I can go outside without much more than a coat";
await chain.invoke({ input });

{ sentiment: "neutral", aggressiveness: 3, language: "english" }

该LangSmith 跟踪 使我们能够窥探幕后