使用Python，Pydantic和Langchain创建可维护的AI工作流程

本篇文章主要是结合我之前面试的各种经历和实战开发中遇到的问题解决经验整理的，希望这篇《使用Python，Pydantic和Langchain创建可维护的AI工作流程》对你有很大帮助！欢迎收藏，分享给更多的需要的朋友学习~

概述与核心概念

本教程演示如何利用Python和Pydantic构建易于维护的AI工作流。我们将重点创建一个可轻松修改和扩展的故事分析系统。

Pydantic模型是现代Python应用中类型安全数据处理的基石。它们允许我们定义数据的结构并自动验证数据，这在AI工作流中至关重要，因为它有助于保持一致性并在早期发现错误。

Pydantic模型是继承自BaseModel并定义数据预期结构的类。模型中的每个字段都可以带有类型提示，Pydantic用于验证。

构建故事分析系统

让我们构建一个简单的故事分析系统来实践这些概念。

你需要安装以下包：

pip install pydantic langchain-openai

模型定义

from pydantic import BaseModel
from typing import List

class Story(BaseModel):
    title: str
    content: str
    genre: str = "unknown"

class StoryForChildren(Story):
    """
    专为儿童设计的童话故事。

    适合2-6岁的儿童。
    """
    pass

class StoryForBabies(Story):
    """
    专为婴儿设计的童话故事。

    适合0-2岁的婴儿和幼儿。
    特点：
    - 简洁、重复的语言
    - 基本概念
    - 短句
    - 富有感官体验的描述
    """
    pass

class StoryAnalysis(BaseModel):
    # 人物元素
    character_names: List[str]
    character_descriptions: List[str]

    # 主题元素
    main_theme: str
    supporting_themes: List[str]
    symbols: List[str]

    # 情节元素
    exposition: str
    climax: str
    resolution: str
    key_events: List[str]

    # 风格和解读
    writing_techniques: List[str]
    overall_interpretation: str

此模型定义了具有标题、内容和可选类型字段的故事的基本结构。请注意，AI将使用模型的文档字符串来生成正确的输出。通常，如果变量命名正确，LLM可以理解提示，但在某些情况下（例如儿童故事），我们需要明确告诉LLM我们想要什么。这是通过添加文档字符串（仅在class StoryForChildren(Story):下方）来实现的。

创建AI代理

我们创建一个专门的代理，可以在定义的模型之间转换内容。使用get_agent_function函数。

该函数接收输入模型、输出模型和温度参数。它返回一个新函数，可用于转换数据。

from langchain.chat_models import ChatOpenAI
from typing import Union, Callable
from pydantic import BaseModel, ValidationError

def get_agent_function(
    input_model: Union[BaseModel, str],
    output_model: BaseModel,
    temperature: float = 0.3
) -> Callable[[Union[str, BaseModel]], BaseModel]:
    llm = ChatOpenAI(
        model="gpt-4",
        temperature=temperature
    )

    def run_llm(input_data: Union[str, BaseModel]) -> BaseModel:
        try:
            if isinstance(input_data, BaseModel):
                input_data = input_data.model_dump_json()
            llm_with_output = llm.with_structured_output(output_model)
            response = llm_with_output.invoke(input_data)
            return response
        except ValidationError as e:
            print(f"Validation Error: {e}")
            return None  # or handle the error appropriately

    return run_llm

使用工作流

以下是模型和代理的协同使用方法：

# 创建专用代理
parse_story = get_agent_function(str, Story)
get_baby_friendly_story = get_agent_function(Story, StoryForBabies)
analyze_story = get_agent_function(Story, StoryAnalysis)

# 执行工作流
story_text = "这是一个关于勇敢的小兔子的故事..." # 替换为你的故事文本
story = parse_story(story_text)
baby_friendly_story = get_baby_friendly_story(story)
analysis = analyze_story(baby_friendly_story)

print(analysis)

关键优势

1. 内置LLM提示: Pydantic模型中的文档字符串是LLM的直接提示。通过更新模型的文档字符串，我们自动更新LLM解释和生成内容的方式。

2. 单一数据源: Pydantic模型既作为文档，也作为功能代码，而不是维护单独的提示和数据结构。当需要更改AI行为时，只需更新模型的文档字符串；当需要更改数据结构时，只需更新模型字段。这消除了提示和代码不同步的常见问题。

3. 类型安全和验证: Pydantic自动验证所有流经AI工作流的数据。如果LLM生成无效输出，你将立即知道。这有助于在开发过程的早期发现错误。

4. 自文档化架构: 模型清晰地显示了你的数据结构和AI的预期行为。新团队成员可以通过阅读模型来理解整个工作流。

练习

复制此代码，尝试创建一个名为StoryForTeenagers的新故事类型，并修改工作流以生成适合青少年年龄的内容。考虑哪些特定领域或验证规则可能与该受众相关。

今天关于《使用Python，Pydantic和Langchain创建可维护的AI工作流程》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！