详细内容或原文请订阅后点击阅览
从LLMS生成结构化输出
流行技术概述将LLM的输出限制为预定义的示例，该示例生成了从LLMS生成结构化输出，这首先出现在数据科学方面。
来源:走向数据科学与LLM互动的接口是通过在Chatgpt，Gemini或DeepSeek中找到的经典聊天UI。界面非常简单，用户输入文本主体，模型与另一个主体响应，这可能会遵循或可能不会遵循特定的结构。由于人类可以理解非结构化的自然语言，因此该界面适合其设计的目标受众。
chatgpt 双子座 DeepSeek但是，LLM的用户群远大于居住在地球上的80亿人。它扩展到数百万个软件程序，这些程序可能会利用如此大的生成模型的力量。与人类不同，软件程序无法理解非结构化的数据，从而阻止了它们利用这些神经网络产生的知识。
为了解决这个问题，已经开发了各种技术来在预定义的架构后从LLM产生输出。本文将概述三种最受欢迎的方法，用于从LLMS生产结构化输出。它是为有兴趣将LLM集成到其软件应用程序的工程师编写的。
结构化输出生成
从LLMS产生的结构化输出涉及使用这些模型生成遵守预定义模式的数据，而不是生成非结构化的文本。该架构可以以各种格式定义，JSON和REGEX是最常见的。例如，当使用JSON格式时，该架构为每个值指定了预期的键和数据类型（例如INT，String，Float等）。然后，LLM输出一个仅包含定义键并正确格式化值的JSON对象。
有各种技术可以从LLMS生成结构化输出。本文将讨论三个。
- 依靠API提供者启动和重复策略限制了解码