当前位置:首页 > 文章列表 > 文章 > 前端 > 如何在双子座AI中生成结构化输出(JSON,YAML)

如何在双子座AI中生成结构化输出(JSON,YAML)

2025-02-03 08:33:58 0浏览 收藏

你在学习文章相关的知识吗?本文《如何在双子座AI中生成结构化输出(JSON,YAML)》,主要介绍的内容就涉及到,如果你想提升自己的开发能力,就不要错过这篇文章,大家要知道编程理论基础和实战操作都是不可或缺的哦!

本文介绍如何使用Google Gemini API快速生成高质量的API文档,并演示如何灵活地输出JSON或YAML格式的结果。作者Shrijith Venkatrama,Hexmos创始人,分享了LiveAPI的构建过程,这是一个通过代码生成API文档的强大工具。

步骤1:获取Gemini API密钥

首先,需要在Google AI Studio获取免费的API密钥,用于后续的API请求。

步骤2:安装SDK和配置

创建一个项目,安装@google/generative-ai依赖包:

mkdir structured-gemini
cd structured-gemini
npm install @google/generative-ai

导入genai库,并使用环境变量中的API密钥进行配置:

import { googlegenerativeai } from "@google/generative-ai";

const genai = new googlegenerativeai(process.env.api_key);

步骤3:使用Schema生成JSON

本例中,目标是获取历史上十大悬疑电影的列表,每部电影以JSON对象形式呈现。

3.1 定义Schema:

import { googlegenerativeai, schematype } from "@google/generative-ai";

const schema = {
  description: "top 10 mystery movies of all time",
  type: schematype.array,
  items: {
    type: schematype.object,
    properties: {
      title: { type: schematype.string, description: "title of the movie", nullable: false },
      director: { type: schematype.string, description: "director of the movie", nullable: false },
      year: { type: schematype.integer, description: "year of release", nullable: false },
      imdbrating: { type: schematype.number, description: "imdb rating of the movie", nullable: false },
    },
    required: ["title", "director", "year", "imdbrating"],
  },
};

3.2 定义模型:

const model = genai.getgenerativemodel({
  model: "gemini-1.5-pro",
  generationconfig: {
    responsemimetype: "application/json",
    responseschema: schema,
  },
});

3.3 生成JSON并格式化输出:

async function fetchmovies() {
  const result = await model.generatecontent(
    "list the top 10 mystery movies of all time with their title, director, year of release, and imdb rating."
  );
  let movies = JSON.parse(result.response.text());
  console.log(JSON.stringify(movies, null, 2));
}

fetchmovies().catch(console.error);

运行代码将得到格式化的JSON输出。

步骤4:生成YAML输出

由于直接生成YAML格式不可行,采用先获取JSON再转换为YAML的方案。

安装@catalystic/json-to-yaml:

npm i @catalystic/json-to-yaml

导入并使用转换器:

import { convert } from "@catalystic/json-to-yaml";

async function fetchmovies() {
  // ... (previous code) ...
  const yaml = convert(movies);
  console.log("\n==============\n");
  console.log(yaml);
}

运行后,将得到YAML格式的输出结果。

如何在双子座AI中生成结构化输出(JSON,YAML)

通过以上步骤,可以高效地利用Google Gemini API生成结构化的API文档,并根据需要灵活地选择JSON或YAML格式输出。

今天关于《如何在双子座AI中生成结构化输出(JSON,YAML)》的内容介绍就到此结束,如果有什么疑问或者建议,可以在golang学习网公众号下多多回复交流;文中若有不正之处,也希望回复留言以告知!

反应中化合物组件的高级图案:用上下文和克隆构建灵活的UI反应中化合物组件的高级图案:用上下文和克隆构建灵活的UI
上一篇
反应中化合物组件的高级图案:用上下文和克隆构建灵活的UI
Python用于数据科学的库
下一篇
Python用于数据科学的库
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    473次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    531次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    551次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    503次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    320次使用