Guidance
Paradigma de programación y biblioteca para controlar la generación de LLM entrelazando prompting, flujo de control y salida restringida en un solo programa.
- Bien documentado
- Licencia permisiva
Descripción general
Guidance permite a un desarrollador escribir un único programa que mezcla prompts de texto plano, flujo de control (bucles, condicionales) y restricciones sobre exactamente qué puede generar el modelo a continuación —patrones regex, listas de opciones o formatos estructurados—, en lugar de hacer varias llamadas separadas a una API de LLM y unir los resultados en el código de la aplicación. Esto también puede acelerar la generación al saltarse tokens que las restricciones ya determinan.
Guidance encaja en equipos que quieren un control granular y programático sobre el propio proceso de generación, una alternativa comparable a Outlines (también en este catálogo): ambos restringen la salida del LLM, con Guidance enfatizando un estilo de autoría que entrelaza programa y generación.
Por qué está en este catálogo
Valoración del catálogo: ★★☆☆☆ (2/5)
Structured-output generation library, meaningful overlap with Outlines/Instructor in the same category.
- Emergente
- Respaldado por un proveedor
- Categorías
- IA y Machine Learning
- Palabras clave
- structured-outputllm-generationprompt-engineering
- Lenguajes
- Python
- Licencia
- MIT
Proyectos relacionados
Outlines
Apache-2.0Biblioteca para restringir la salida de un LLM a una estructura específica —esquema JSON, regex, gramática—, garantizando resultados válidos y analizables.
Mantenimiento activo
- IA y Machine Learning
Instructor
MITBiblioteca para obtener salidas de datos estructurados y fiables de LLMs usando APIs de function calling y modelos Pydantic para la validación.
Mantenimiento activo
- IA y Machine Learning
Milvus
Apache-2.0Base de datos vectorial de código abierto construida para búsqueda de similitud escalable y aplicaciones de IA.
Mantenimiento activo
- IA y Machine Learning
- Base de datos
MLflow
Apache-2.0Plataforma de código abierto para gestionar el ciclo de vida del machine learning: seguimiento de experimentos, empaquetado de modelos, versionado y despliegue.
Mantenimiento activo
- IA y Machine Learning
¿Encontraste un error? Sugiere una edición en GitHub.