7. Pydanticを使った構造化出力

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage
 
llm = ChatOpenAI(model="gpt-4o-mini")
 
# LLMに製品について質問します
message = HumanMessage(content="""
次のテキストから製品情報を抽出してください:
"UltraWidget Proの価格は$299.99で、現在在庫があります。"
""")
 
response = llm.invoke([message])
print(response.content)

製品名: UltraWidget Pro
価格: $299.99
在庫状況: 在庫あり

# 脆弱な解析アプローチ
text = response.content
price_line = [line for line in text.split('\n') if '価格:' in line][0]
price_str = price_line.split('$')[1]
price = float(price_str)  # 脆弱 - フォーマットが変わったらどうなる?

# 例1
"製品はUltraWidget Proで、価格は$299.99、在庫があります。"
 
# 例2
"製品: UltraWidget Pro
価格: 299.99ドル
状態: 在庫あり"
 
# 例3
"UltraWidget Pro - $299.99 (在庫あり)"
 
# 例4
"UltraWidget Proを見つけました。価格は$299.99で、現在購入可能です。"

# この構造を期待します
{
    "product_name": "UltraWidget Pro",
    "price": 299.99,
    "in_stock": true
}

from pydantic import BaseModel
 
class ProductInfo(BaseModel):
    product_name: str
    price: float
    in_stock: bool

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage
from pydantic import BaseModel, Field
 
# ステップ1: スキーマを定義
class ProductInfo(BaseModel):
    product_name: str = Field(description="完全な製品名")
    price: float = Field(description="USD単位の価格")
    in_stock: bool = Field(description="製品が利用可能かどうか")
 
# ステップ2: スキーマをLLMにバインド
llm = ChatOpenAI(model="gpt-4o-mini")
structured_llm = llm.with_structured_output(ProductInfo)
 
# ステップ3: 呼び出して型付きオブジェクトを取得
message = HumanMessage(content="""
次のテキストから製品情報を抽出してください:
"UltraWidget Proの価格は$299.99で、現在在庫があります。"
""")
 
result = structured_llm.invoke([message])
 
# resultは文字列ではなくProductInfoオブジェクトです
print(type(result))  # <class '__main__.ProductInfo'>
print(result.product_name)  # UltraWidget Pro
print(result.price)  # 299.99
print(result.in_stock)  # True

# 通常のPydantic - 説明は人間のためのドキュメント
class User(BaseModel):
    name: str = Field(description="ユーザーの名前")  # なくても問題なく動作

# LLMと連携 - 説明がLLMの動作を決定
class CustomerFeedback(BaseModel):
    sentiment: str = Field(
        description="全体的な感情: 'positive'、'negative'、または'neutral'"
    )

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage
from pydantic import BaseModel, Field
 
class CustomerFeedback(BaseModel):
    sentiment: str = Field(
        description="全体的な感情: 'positive'、'negative'、または'neutral'"
    )
    main_issue: str = Field(
        description="主な苦情または懸念事項(ある場合)。問題が言及されていない場合は'none'を使用"
    )
    urgency: str = Field(
        description="問題の緊急度: 'low'、'medium'、または'high'"
    )
 
llm = ChatOpenAI(model="gpt-4o-mini")
structured_llm = llm.with_structured_output(CustomerFeedback)
 
message = HumanMessage(content="""
次の顧客フィードバックを分析してください:
"製品は問題なく動作しますが、配送に3週間かかりました。プロジェクトの締め切りにすでに間に合いませんでした。すぐに対応してください。"
""")
 
result = structured_llm.invoke([message])
print(result.sentiment)    # negative
print(result.main_issue)   # 配送が遅い
print(result.urgency)      # high

sentiment: str  # 説明なし

sentiment: str = Field(
    description="感情: 正確に'positive'、'negative'、または'neutral'(小文字)"
)

result.sentiment = "Positive"    # 大文字
result.sentiment = "NEGATIVE"    # すべて大文字
result.sentiment = "good"        # まったく異なる単語

allowed = {"positive", "negative", "neutral"}
 
# 小文字に変換して確認
sentiment = result.sentiment.lower()
 
if sentiment not in allowed:
    sentiment = "neutral"  # 予期しない値にはデフォルトを使用
 
# これでsentimentは許可された値のいずれかであることが保証されます

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage
 
llm = ChatOpenAI(model="gpt-4o-mini")
 
message = HumanMessage(content="""
次から製品名、価格、在庫状況を抽出してください:
"UltraWidget Proの価格は$299.99で、現在在庫があります。"
形式: 名前 | 価格 | 在庫状況
""")
 
response = llm.invoke([message])
text = response.content
 
# 手動解析
parts = text.split('|')
product_name = parts[0].strip()
price_str = parts[1].strip().replace('$', '')
price = float(price_str)
availability = parts[2].strip().lower()
in_stock = '在庫あり' in availability or '利用可能' in availability
 
print(f"名前: {product_name}")
print(f"価格: ${price}")
print(f"在庫: {in_stock}")

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage
from pydantic import BaseModel, Field
 
class ProductInfo(BaseModel):
    product_name: str = Field(description="完全な製品名")
    price: float = Field(description="USD単位の価格")
    in_stock: bool = Field(description="製品が利用可能かどうか")
 
llm = ChatOpenAI(model="gpt-4o-mini")
structured_llm = llm.with_structured_output(ProductInfo)
 
message = HumanMessage(content="""
次から製品情報を抽出してください:
"UltraWidget Proの価格は$299.99で、現在在庫があります。"
""")
 
result = structured_llm.invoke([message])
 
print(f"名前: {result.product_name}")
print(f"価格: ${result.price}")
print(f"在庫: {result.in_stock}")

from pydantic import BaseModel
 
class ProductInfo(BaseModel):
    product_name: str
    price: float
    in_stock: bool

from typing import Optional
 
class ProductReview(BaseModel):
    rating: int
    review_text: str
    reviewer_name: Optional[str] = None  # 匿名レビューにはレビュアー名がない

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage
from pydantic import BaseModel, Field
from typing import Optional
 
class ProductInfo(BaseModel):
    product_name: str
    price: float
    in_stock: bool
    discount_percentage: Optional[float] = None
    warranty_years: Optional[int] = None
 
llm = ChatOpenAI(model="gpt-4o-mini")
structured_llm = llm.with_structured_output(ProductInfo)
 
message = HumanMessage(content="""
製品情報を抽出してください: "UltraWidget Proの価格は$299.99で、在庫があります。"
""")
 
result = structured_llm.invoke([message])
print(result.product_name)  # UltraWidget Pro
print(result.price)  # 299.99
print(result.in_stock)  # True
print(result.discount_percentage)  # None (言及されていない)
print(result.warranty_years)  # None (言及されていない)

from langchain_anthropic import ChatAnthropic
from langchain_core.messages import HumanMessage
from pydantic import BaseModel, ValidationError
 
class ProductInfo(BaseModel):
    product_name: str
    price: float
    in_stock: bool
 
llm = ChatAnthropic(model='claude-sonnet-4-5')
structured_llm = llm.with_structured_output(ProductInfo)
 
# 必要な情報が欠落している入力
message = HumanMessage(content="""
次から製品情報を抽出してください: "このウィジェットは素晴らしい! 強くお勧めします。"
""")
 
try:
    result = structured_llm.invoke([message])
    print(result)
except ValidationError as e:
    print("ValidationErrorが発生しました")

class ProductInfo(BaseModel):
    product_name: str
    price: float
    in_stock: bool
 
message = HumanMessage(content="""
次から製品情報を抽出してください: "このウィジェットは素晴らしい!"
""")
 
# 一部のLLMがproduct_name、price、in_stockの値を捏造する場合
result = structured_llm.invoke([message])
# エラーは発生しません!
print(result.product_name)  # "widget" (テキストから抽出)
print(result.price)  # 0.0 (捏造!)
print(result.in_stock)  # False (捏造!)
 
# 問題: どの値が実際のもので、どの値が捏造されたものかわからない

from typing import Optional
from pydantic import BaseModel, model_validator, ValidationError
from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage
 
class ProductInfo(BaseModel):
    # これらは実際には必須ですが、Optionalとして宣言されています
    # 実際の検証は以下のバリデータで行われます
    product_name: Optional[str] = None
    price: Optional[float] = None
    in_stock: Optional[bool] = None
    
    @model_validator(mode='after')
    def check_required_fields(self):
        """すべての必須フィールドが存在することを検証します"""
        if self.product_name is None or self.price is None or self.in_stock is None:
            raise ValueError("すべてのフィールド(product_name、price、in_stock)を提供する必要があります")
        return self
 
llm = ChatOpenAI(model="gpt-4o-mini")
structured_llm = llm.with_structured_output(ProductInfo)
 
# 不完全なデータでテスト
message = HumanMessage(content="""
次から製品情報を抽出してください: "このウィジェットは素晴らしい!"
""")
 
try:
    result = structured_llm.invoke([message])
    # ここに到達した場合、すべてのフィールドが存在することが保証されます
    print(f"製品: {result.product_name}")
    print(f"価格: ${result.price}")
except ValidationError as e:
    # 必須フィールドが欠落している - 抽出失敗
    print(f"不完全な抽出: {e}")