03 返回结构化数据：构建RAG应用的核心密码之二
你好，我是叶伟民。
上一节课我们所看到的对话模式返回的结果是人类语言（assistant的部分）。这会带来一个问题，就是程序不能识别这种语言，程序只能够识别结构化数据。
那什么是结构化数据呢？布尔值、整数、浮点数、数组、json等格式的数据就是结构化数据。人类语言就是非结构化数据。
除了这个问题之外，还有一个问题是AI只能返回一个结果，不能返回多个结果。而我们的MIS系统，特别是查询部分的代码，如果需要按照多个条件查询，肯定是要输入多个参数的。那么我们如何处理这种情况呢？
其实这两个问题都涉及同一个基础概念，就是让AI返回结构化数据，这也是我们今天课程的主题。
让AI返回结构化数据
我们由易到难，从最简单的返回布尔值开始。
返回布尔值
当我们需要询问大模型一个问题是对是错，例如询问大模型： 老婆饼和老婆是不是同一类东西？ 那么大模型很可能会回答：不是，老婆饼和老婆不是同一类东西。
很显然，程序（例如我们的MIS系统）是无法识别以上回答的。因此我们就需要大模型返回一个布尔值结果，这样程序才能理解。
那么如何实现呢？我们可以这样设置对话模式里面user角色的content值。
如果大模型运行正常，应该会返回 false，显然，程序是可以识别这个结果的。
我们将会在 第十七节课 里用到这个知识点。
返回整数
返回一个布尔值只能用来做判断题，但是如果一个问题不是判断题呢？
例如当我们询问大模型： 老婆饼是什么类型？ 那么大模型很可能会回答：老婆饼是食物。
除了前面返回布尔值一节提到的程序无法处理这个问题之外，还会有另外一个问题。就是如果我们的MIS系统没有食物这种类型，只有点心、水果、菜肴这三种类型，那么该怎么办？
我们可以给出一系列选项，然后让大模型回答正确选项。这时候比较适合让程序返回整数类型。
具体如何实现呢？我们可以这样设置对话模式里面user角色的content值。
如果大模型运行正常，应该会返回 1，这样程序不但能够理解结果，而且可以保证结果是程序所需要的。我们将会在** 第五节课**中用到这个知识点。
返回浮点数
现在我们可以通过返回布尔值来做判断题，通过返回整数来做选择题。但是如果问题是一个开放性的问题呢？
例如询问大模型： 姚明有多高？ 那么大模型很可能会回答：姚明有226cm。
然而我们的程序需要的是多少米，这时候就需要返回一个浮点数结果，而不是前面的整数结果了。
实现方式也和前面类似，只需要将对话模式里面user角色的content值修改一下。
如果大模型运行正常，应该会返回 2.26。
返回数组
我们知道，Python的函数和C#的方法都是支持可变参数的。当我们的程序需要接受可变参数来调用对应的函数或方法时，我们就需要大模型返回数组了。
结合例子，你更容易理解这一点。例如，我们有这样一个Python函数。
那么我们就需要将对话模式里面user角色的content值设置为如下内容。
如果大模型运行正常，应该会返回类似下面这样的结果。
经过这样的处理，结果就能被程序理解了。
返回json
当我们的程序（例如MIS系统），特别是查询部分的代码，如果需要按多个条件查询，肯定是要输入多个参数的。比如这样一个场景——我们需要查询A公司到账款项，而程序需要接受一个SQL查询语句。
这种情况应该如何处理呢？
我们可以让大模型返回一个json结果。例如将对话模式里面user角色的content值设置为如下内容。
messages=[
{"role": "user", "content": f"""
请以json的格式返回答案：我们需要查询A公司到账款项。
json格式为：
{
'name':'A公司',
'type':'到账款项',
}
"""},
]
如果大模型运行正常，应该会返回类似后面的结果。
经过这样的处理，结果就可以被程序正常处理了么？你可以暂停思考一下，这样解决是否足够完美。
细心的同学会发现，上述回答中的 ‘type’:‘到账款项’ 会有问题，因为数据库里面不一定有 到账款项 这个type。那么如何解决这个问题呢？
组合拳
其中一个方法是使用“组合拳”，把前面提到的返回整数结果的方法整合进来。
那么就需要将对话模式user角色的content值设置为如下内容。
messages=[
{"role": "user", "content": f"""
请以json的格式返回答案：我们需要查询A公司到账款项。
json格式为：
{
'name':'A公司',
'type':1,
}
其中type对应的选项和序号是：
1. 到账款项
2. 剩余款项
请返回对应的序号。
"""},
]
如果大模型运行正常，应该会返回类似后面的结果。
然而这种方法对大模型的能力要求很高。如果我们因为价格原因只能用低版本的大模型（一分价钱一分货嘛），这样的处理可能无法满足要求。那只能换一种要求低一点的方法了，就是分步处理。
分步处理
我们可以分两步进行。第一步是沿用返回json一节的结果。然后将第一步的结果作为第二步的输入。接着将第二步的输入结果整合进第一步的结果，得到最终结果。
采用这种方法，我们第二步对话模式里面user角色的content值需要这样设置：
如果大模型运行正常，应该会返回如下类似结果。
然后我们用这个结果替换掉第一步结果中的type。于是我们就得到了最终结果。
一劳永逸、通用的方法
懒惰是人类的天性，程序员更是需要懒惰，因为程序员的职责就是制造自动化工具来减轻人类的劳动。那么有没有一种一劳永逸的通用方法，可以更方便地返回程序需要的结构化数据呢？
有的，聪明的同学已经发现了，使用返回json的方案就可以一劳永逸地替代前面所有方案。例如返回布尔值可以用返回以下json格式替代。
返回整数、浮点数可以用返回以下json格式替代。
返回数组可以用返回以下json格式替代。
通过这种方式，我们就能一劳永逸地解决所有问题。
返回辅助信息
有了这个基础，我们还可以添加辅助信息。通过辅助信息我们可以理解大模型为什么会输出这样的结果。例如，我们可以要求大模型输出以下json结果。
然后我们可以把以上结果用日志记录下来，这样在我们诊断问题的时候就十分方便了。我们能清晰地知道程序结果和大模型实际想法之间的关系，以及输出是否正确。
提供示例
然而在实际应用中，即便按照前面的方法操作，有时候，大模型可能还是无法正常输出结构化数据。
这时候怎么办呢？我们可以给大模型一个示例，让大模型照葫芦画瓢去输出。提供示例的对话模式如下。
messages=[
{"role": "user", "content": f"""
请根据用户的输入返回json格式结果：
示例1：
用户：客户北京极客邦有限公司的款项到账了多少？
系统：
{{'模块':1,'客户名称':'北京极客邦有限公司'}}
用户：{用户输入}
系统：
"""},
]
其中第5行到第8行就是我们提供的示例。通过这种方法，将会大大提升大模型输出结构化数据的概率。
细心的同学可能发现，我说的是大大提升了概率，并没有说百分百能够保证。那是为什么呢？又如何解决这个问题呢？我们下一节课继续探讨。
最后，我想说明一下，今天这节课侧重概念梳理，所以为了理解起来方便，用到的示例代码都做了简化。如果直接沿用，大概率大模型还是无法正常输出。生产环境下的代码是需要根据大模型的能力以及实际场景做调整的，实际代码量会多很多。我们会在后续动手实战的章节中看到实际代码。
小结
好了，今天这一讲到这里就结束了，最后我们来回顾一下。这一讲我们学会了两件事情。
第一件事情是对话模式返回的结果是人类语言，并且只有一个输出。所以我们需要AI将这个唯一的输出转换为程序可以识别的结构化数据。而这种结构化数据最好的格式是json。
第二件事情是AI跟人类一样，有时候需要给他一个样本，他才能够按照这个样本正确输出。
至此，我们第一个实战案例所需的基础概念都已经讲完，我们下一节课开始动手实战环节。
思考题
如果给了大模型一个示例，它还是无法正确输出。这时候有什么办法解决呢？
欢迎你在留言区和我交流互动，如果这节课对你有启发，也推荐分享给身边更多朋友。