Guidance项目中的模型响应处理技巧
2025-05-10 12:12:11作者:田桥桑Industrious
在Guidance项目中,处理大型语言模型(LLM)的响应输出是一个常见需求。许多开发者希望简单地获取模型生成的最终文本结果,而不需要处理复杂的中间过程或流式输出。本文将详细介绍几种在Guidance中高效获取和处理模型响应的方法。
基础响应获取
最基本的场景是获取模型对特定问题的直接回答。Guidance提供了简洁的语法来实现这一需求:
from guidance import guidance, models, select, user, assistant, system
lm = models.Transformers("microsoft/Phi-3-mini-4k-instruct", trust_remote_code=True, echo=False)
@guidance
def get_origin(lm, name):
with system():
lm += "确定名字最可能的来源国家"
with user():
lm += f"名字: {name}"
with assistant():
lm += "来源国家可能是: " + select(["印度", "巴西", "美国"], name="country")
return lm
name_list = ["张三", "李四", "王五"]
countries = []
for name in name_list:
result = lm + get_origin(name)
countries.append(result['country'])
这种方法特别适合分类任务,其中select
函数限定了模型只能从给定选项中选择回答,结果存储在指定的变量名中。
结构化JSON响应处理
对于需要结构化输出的场景,Guidance提供了json
函数,可以与Pydantic模型或JSON Schema配合使用:
from guidance import json as g_json
from pydantic import BaseModel
class 解题步骤(BaseModel):
解释: str
输出: str
class 数学解答(BaseModel):
步骤: list[解题步骤]
最终答案: str
@guidance
def 数学助手(lm, 问题):
with system():
lm += "以JSON格式写出解题步骤和最终答案"
with user():
lm += f"数学问题: {问题}"
with assistant():
lm += g_json("json_答案", schema=数学解答)
return lm
解答 = lm + 数学助手("(22 + 8) * 5")
解析结果 = json.loads(解答['json_答案'])
这种方法确保了输出的结构化,便于后续程序处理,同时保持了生成内容的灵活性。
响应处理的最佳实践
-
明确输出范围:使用
with
语句块明确界定系统指令、用户输入和助手响应的范围 -
变量命名:为关键输出指定有意义的变量名,便于后续引用
-
结果提取:通过字典键或属性访问方式获取特定部分的生成内容
-
类型转换:对于JSON输出,使用标准库进行解析和类型转换
-
批量处理:结合循环结构实现多个输入的批量处理
Guidance的设计理念是平衡灵活性和易用性,开发者可以根据具体需求选择简单直接的响应获取方式,或者使用更高级的结构化输出功能。理解这些核心模式后,就能高效地处理各种模型响应场景。
登录后查看全文
热门项目推荐
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~059CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。07GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0381- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选
收起

本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
52
461

deepin linux kernel
C
22
5

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
349
381

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
7
0

openGauss kernel ~ openGauss is an open source relational database management system
C++
131
185

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
873
517

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
336
1.09 K

React Native鸿蒙化仓库
C++
179
264

🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
607
59

一款跨平台的 Markdown AI 笔记软件,致力于使用 AI 建立记录和写作的桥梁。
TSX
83
4