文心一言賦能問卷生成，打造高效問卷調研工具

當前，各種大語言模型（LLM，Large Language Model）井噴式發展，基於 LLM 的應用也不斷湧現。但是，當開發者基於 LLM 開發下游應用時，LLM 直接生成的結果在格式、內容等方面都存在許多不確定因素，難以與其他業務邏輯代碼做數據交互，導致開發者需要多次生成並對輸出結果做大量的規則判斷處理工作，使得大模型原生應用的開發門檻擡高、難度加大。

爲此，本文以問卷頁面生成任務爲例，手把手教大家控制 ERNIE SDK 輸出 JSON 格式的生成結果並與前端交互，實現通過 ERNIE SDK 生成問卷網頁的目的。通過本文，你將學習到：

• 前後端交互的橋樑——JSON

• 用 LLM2Json 控制文心大模型 4.0 的輸出格式

• 基於文心大模型的原生應用開發流程

JSON 數據結構

本文任務的核心是生成交互數據，前後端的交互數據常用格式有 JSON 和 XML。由於 JSON 格式結構簡單，容易被各大常用開發語言解析和生成，因此目前絕大多數 Web 應用使用 JSON 格式進行交互。

JSON 數據根據結構的複雜度可簡單可分成兩種，單層結構和多層嵌套結構。

單層結構

單層數據結構是類似於 {key1: value1, key2: value2, …} 這樣只有一層鍵值對關係的結構，相對來說比較簡單，生成可控度高，不容易出錯。比如：

 

{    "address": "北京市朝陽區XXX路XXX號",    "date": "2023-06-25",    "email": "[email protected]",    "idcode": "110101199003077777",    "name": "張三",    "phone": "13800000000",    "sex": "男"}

 

 

多層嵌套結構

多層嵌套結構是比較複雜的數據結構，如例子所示，在 address 的第一層級下，嵌套了第二層級的 city、area、road 和 detail 字段。在真實業務場景中，數據結構體往往是多層嵌套，字段多，嵌套關係也比較複雜，因此該類數據結構體生成的難度比較大，容易出現一些紕漏導致數據解析不正確而報錯。

 

{    "address": {        "city": "北京市",        "area": "朝陽區",        "road": "XXX路",        "detail": "XXX號"    },    "date": "2023-06-25",    "email": {        "common": "[email protected]",        "backup": "[email protected]"    },    "idcode": "110101199003077777",    "name": "張三",    "phone": "13800000000",    "sex": "男"}

 

本文的問卷網頁生成任務，本質上就是生成一個多層嵌套結構的數據，並與前端交互渲染形成可視化網頁，下面開始給大家演示和解析代碼。

動手開發

安裝依賴

本項目需要主要依賴 erniebot 和 llm2json 兩個包。ERNIE SDK 用於調用文心一言的文本生成能力，目前支持 ernie-3.5、ernie-turbo、ernie-4.0、ernie-longtext 等多個版本等模型直接調用。LLM2Json 是一個易於使用的格式化大語言模型輸出工具包，它的主要設計思想和部分實現代碼參考 LangChain。它可以通過自動構建 prompts 引導大語言模型輸出符合 JSON 語法的返回數據，解決了大語言模型格式化輸出、數據交互、前端開發等遇到的數據格式相關問題，使下游的應用程序、GPTs、Agents 等開發更加方便快捷。

 

pip install erniebot --upgradepip install llm2json

配置 ERNIE SDK

對 ERNIE SDK 進行簡單的封裝，以便後面代碼快速調用。請注意將 access_token 換成你的 aistudio 賬戶對應的 token，同時保證 token 餘額充足。另外，本項目演示使用 ernie-4.0 版本，在測試環境中 4.0 版本的表現最優，開發者可根據自己的成本和推理速度需求更換爲 ernie-3.5、ernie-turbo 等版本。

 

import erniebot
erniebot.api_type = "aistudio"erniebot.access_token = "xxxxxxxxxxxxxxxxxxx"
def ernieChat(content):    response = erniebot.ChatCompletion.create(model = "ernie-4.0",        messages = [{            "role": "user",            "content": content        }])    return response.get_result()

 

 

定義數據結構

一份問卷的生成結構至少有兩層。第一層是 title（問卷標題）、description（問卷描述）和最核心的 data（問題列表）結構體。第二層是對 data 嵌套數據的定義。在 data 下面有若干個問題和選項，並且問題類型有單選題、多選題、填空題，因此，這裏需要針對問題定義一個新的對象 Question，第一個鍵是 types，用於確定問題類型，它是整數型的數據（1 爲單選，2 爲多選，3 爲填空）；第二個是 question，定義問題；第三個是 choices 問題對應的選項內容，數據類型是列表 list。

 

from typingimport Listfrom llm2json.prompts.schemaimport BaseModel, Field
class Question(BaseModel):    types: int = Field(description = "問題類型，1爲單選，2爲多選，3爲填空")    question: str = Field(description = "問題內容")    choices: List[str] = Field(description = "選項內容")
class WenJuan(BaseModel):    title: str = Field(description = "問卷標題")    description: str = Field(description = "問卷描述")    data: List[Question] = Field(description = "問題列表")

 

定義正例

因爲多層嵌套的數據結構體比較複雜，因此建議開發者最好給模型輸入一個正確示例，讓模型生成的輸出結果更加完美和穩定。

 

correct_example = ''' {    "title": "問卷標題",    "description": "問卷描述",    "data": [{            "types": 1,            "question": "問題（單選）"            "choices": ["選項1", "選項2", "選項3"]        },        {            "types": 2,            "question": "問題（多選）"            "choices": ["選項1", "選項2", "選項3"]        },        {            "types": 3,            "question": "問題（填空）"        },    ]}'''

 

定義 Prompt 任務模板

Prompt 任務模版主要是告訴大語言模型需要生成的內容，以及定義用戶輸入變量。在本案例中，我們的目的是生成問卷，用戶輸入的變量是問卷的主題(topic)和問題的數量(num)，並將 3、4 中定義好的數據結構和正例傳入。

 

from llm2json.prompts import Templates
t = Templates(prompt="""請你根據主題<{topic}>，設計一份問卷。問卷描述需要簡單說明該問卷調研的目的。問卷題型需包含單選、多選和填空題，對應types分別爲1、2、3。如果題目類型爲填空題，該題不需要返回choices字段。出題題型順序請隨機生成。題目總數爲{num}道題。""", field=WenJuan,correct_example=correct_example)

 

 

測試生成

以文心一言用戶反饋作爲問卷的主題，生成一份包含 10 道題的問卷。

 

from llm2json.output import JSONParserfrom pprint import pprint
# 將用戶輸入替換模型變量template = t.invoke(topic="文心一言用戶反饋", num="10")# 將Prompt模版提交給ErnieBoternieResult = ernieChat(template)
# 解析生成結果parser = JSONParser()result = parser.to_dict(ernieResult)pprint(result)

 

前端綁定渲染

獲得生成後的 JSON 格式數據，就可以與前端代碼結合，解析數據結構體、綁定字段並渲染。前端的核心代碼主要是對問卷類型的判斷，然後根據問卷類型，也就是 types 的值匹配不同的表單組件。（此處只展示前端核心代碼部分，完整前端代碼請通過文章最後的項目鏈接獲取）

 

<div class="choices"><!--單選題--><div v-if="item.types==1"><a-radio-group v-model:value="item.choices.keys"><a-radio v-for="choice in item.choices" :value="choice">{{ choice }}</a-radio></a-radio-group></div>
<!--多選題--><div v-else-if="item.types==2"><a-checkbox-group :options="item.choices" /></div>
<!--填空題--><div v-else-if="item.types==3"><a-input style="max-width:300px"/></div></div>

 

 

前端渲染結果：

快速體驗

本項目以問卷網頁生成任務爲案例，爲大家介紹了控制大語言模型格式化輸出 JSON 多層嵌套結構數據並與前端字段綁定做數據交互的流程。通過利用 JSON 數據結構進行前後端的鏈接交互，開發者可以將大語言模型的能力輕鬆集成到現有 OA、ERP 和 CRM 等系統，快速賦能企業已有業務，實現辦公智能化升級；或從零開始高效開發大模型原生應用，不再擔心數據結構解析出錯等災難性問題，爲用戶提供更好的服務體驗。