Instructor
Biblioteca para obtener salidas de datos estructurados y fiables de LLMs usando APIs de function calling y modelos Pydantic para la validación.
Descripción general
Instructor envuelve la capacidad nativa de function calling o uso de herramientas de un LLM para que un desarrollador pueda solicitar una respuesta que coincida con un modelo Pydantic, y reintenta automáticamente la solicitud si la salida del modelo no valida contra ese esquema, convirtiendo una salida de LLM en texto libre poco fiable en datos estructurados en los que se puede confiar. Admite OpenAI, Anthropic y muchos otros proveedores de modelos a través de una interfaz consistente.
Instructor encaja en equipos que necesitan extracción de datos estructurados de LLMs, logrando esto mediante APIs de function calling y lógica de reintento, un enfoque técnico distinto al de Outlines (también en este catálogo), que en su lugar restringe la generación a nivel de token.
- Categorías
- IA y Machine Learning
- Palabras clave
- structured-outputllm-frameworkdata-extraction
- Lenguajes
- Python
- Licencia
- MIT
Proyectos relacionados
Docling
MITBiblioteca de análisis de documentos que convierte PDFs, documentos de Word y otros formatos en datos limpios y estructurados listos para pipelines de LLM y RAG.
- IA y Machine Learning
Guidance
MITParadigma de programación y biblioteca para controlar la generación de LLM entrelazando prompting, flujo de control y salida restringida en un solo programa.
- IA y Machine Learning
Haystack
Apache-2.0Framework de código abierto para construir aplicaciones de búsqueda y RAG (generación aumentada por recuperación) listas para producción con LLMs.
- IA y Machine Learning
LlamaIndex
MITFramework de datos para conectar grandes modelos de lenguaje con tus propios datos —documentos, bases de datos, APIs— para aplicaciones de generación aumentada por recuperación.
- IA y Machine Learning
¿Encontraste un error? Sugiere una edición en GitHub.