结构化这件事，输出只是其中一面，另一面是输入：许多提示词指南与最佳实践确实会推荐一些技巧，比如把输入提示词用 XML 标签包裹起来，以增强 LLM 对输入的理解。

LlamaIndex 让你可以原生地把输入组织成 XML 片段，底层借助 banks 与 Jinja（请确保安装的是 llama-index>=0.12.34）。

单独使用结构化输入

下面是一个把结构化输入与 Pydantic 模型搭配使用的简单例子：

from pydantic import BaseModel
from llama_index.core.prompts import RichPromptTemplate
from llama_index.llms.openai import OpenAI
from typing import Dict

template_str = "Please extract from the following XML code the contact details of the user:\n\n```xml\n{{ user | to_xml }}\n```\n\n"
prompt = RichPromptTemplate(template_str)

class User(BaseModel):
    name: str
    surname: str
    age: int
    email: str
    phone: str
    social_accounts: Dict[str, str]

user = User(
    name="John",
    surname="Doe",
    age=30,
    email="john.doe@example.com",
    phone="123-456-7890",
    social_accounts={"bluesky": "john.doe", "instagram": "johndoe1234"},
)

## check how the prompt would look like

prompt.format(user=user)

llm = OpenAI()

response = llm.chat(prompt.format_messages(user=user))

print(response.message.content)

可以看到，要启用结构化输出，需要使用一个 Jinja 表达式（用 包裹），并施加 to_xml 过滤器（过滤运算符是 |）。

结构化输入与结构化输出的结合

把结构化输入和结构化输出结合起来，能显著提升 LLM 输出的一致性（也就是可靠性）。

下面这段代码演示了如何两者并用：

from pydantic import Field
from typing import Optional

class SocialAccounts(BaseModel):
    instagram: Optional[str] = Field(default=None)
    bluesky: Optional[str] = Field(default=None)
    x: Optional[str] = Field(default=None)
    mastodon: Optional[str] = Field(default=None)

class ContactDetails(BaseModel):
    email: str
    phone: str
    social_accounts: SocialAccounts

sllm = llm.as_structured_llm(ContactDetails)

structured_response = await sllm.achat(prompt.format_messages(user=user))

print(structured_response.raw.email)
print(structured_response.raw.phone)
print(structured_response.raw.social_accounts.instagram)
print(structured_response.raw.social_accounts.bluesky)

想更深入了解结构化输入，请看这份示例 notebook。