Penguraian dan Validasi Keluaran
Terapkan mekanisme penguraian dan validasi yang kuat untuk memastikan keluaran LLM memiliki format yang diinginkan dan memenuhi standar kualitas yang ditetapkan.
Penguraian dan Validasi Keluaran adalah pelajaran Prompt Engineering & LLM Optimization for Developers gratis di CoddyKit. Ini adalah pelajaran 3 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Prompt Engineering & LLM Optimization for Developers, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Prompt Engineering & LLM Optimization for Developers mencakup 4 pelajaran total.
Bagian dari pelajaran ini belum diterjemahkan dan ditampilkan dalam bahasa Inggris.
Why Parse LLM Output?
Large Language Models (LLMs) are powerful, but their raw text outputs can be unpredictable. For applications, we often need structured, reliable data.
Output parsing is the process of converting an LLM's free-form text response into a structured format your application can easily use, like JSON or a specific data type.
The Need for Validation
Even after parsing, the extracted data might not be valid. An LLM might hallucinate a number, provide an incorrect type, or miss a required field.
Output validation ensures the parsed data adheres to predefined rules, data types, ranges, or custom business logic, preventing errors downstream in your application.
Challenges with Raw LLM Output
LLMs can sometimes include conversational filler, extra explanations, or slightly deviate from the requested format. Consider an LLM asked to return a user's ID and name:
"Here is the user: ID:123, Name:Alice.""User info -> {id: 456, name: Bob}""ID is 789, Name is Charlie. Hope this helps!"
Each needs a different approach to extract the data.
Basic String Manipulation
For very simple and highly constrained outputs, basic string methods can work. This is suitable when you have strong control over the prompt and expect minimal deviation.
Common methods include trim(), substring(), indexOf(), and split() to isolate and extract parts of the string.
String Manipulation Example
Here's how to extract data from a simple "ID:123,Name:Alice" string using basic Java string methods:
public class Main {
public static void main(String[] args) {
String llmOutput = "ID:123,Name:Alice";
String[] parts = llmOutput.split(",");
String idStr = parts[0].replace("ID:", "").trim();
String nameStr = parts[1].replace("Name:", "").trim();
System.out.println("ID: " + idStr);
System.out.println("Name: " + nameStr);
}
}Regular Expressions (Regex)
When output patterns are more complex, or you need to match specific formats with variations, Regular Expressions (Regex) are incredibly powerful. They define search patterns for strings.
Regex can extract data even if there's extra text, inconsistent spacing, or different ordering of elements.
Regex Parsing Example
Let's use regex to extract a number from a string that might have various prefixes or suffixes. This Java example uses java.util.regex.Pattern and Matcher.
import java.util.regex.Matcher;
import java.util.regex.Pattern;
public class Main {
public static void main(String[] args) {
String llmOutput = "The magic number is 42! Please use it.";
Pattern pattern = Pattern.compile("\\d+"); // Matches one or more digits
Matcher matcher = pattern.matcher(llmOutput);
if (matcher.find()) {
System.out.println("Found number: " + matcher.group());
} else {
System.out.println("No number found.");
}
}
}Parsing JSON Outputs
For structured data, JSON (JavaScript Object Notation) is the preferred format. LLMs can be prompted to output JSON directly. You'll need a JSON parsing library to convert the string into an object.
This allows you to access fields by name (e.g., data.get("id")) instead of relying on string positions.
JSON Parsing in Java
Using a library like org.json (or Jackson/Gson for more complex cases) simplifies parsing JSON. Here's how to parse a simple JSON string:
import org.json.JSONObject;
public class Main {
public static void main(String[] args) {
String jsonString = "{"id":123, "name":"Alice"}";
try {
JSONObject json = new JSONObject(jsonString);
int id = json.getInt("id");
String name = json.getString("name");
System.out.println("User ID: " + id);
System.out.println("User Name: " + name);
} catch (Exception e) {
System.err.println("Error parsing JSON: " + e.getMessage());
}
}
}Implementing Data Validation
After parsing, validate the data. This involves checking data types, ranges, and business rules. For JSON, you might check if required fields exist, if numbers are within expected bounds, or if strings match certain patterns.
Example checks: age > 0, email.contains("@"), list.size() > 0.
Quick Check: Output Handling
When working with LLM outputs, what are effective strategies to ensure the data is usable and correct in your application?
Recap & Next Steps
In this lesson, you learned that robust LLM integration requires more than just prompting. You need to implement solid output parsing to extract data from raw text and output validation to ensure that data meets your application's requirements.
- Basic string methods for simple cases.
- Regular Expressions for pattern matching.
- JSON parsing libraries for structured data.
- Validation logic to check data types, ranges, and rules.
Mastering these techniques will significantly improve the reliability and stability of your LLM-powered applications. Next, explore advanced techniques like Retrieval Augmented Generation (RAG) to ground LLM responses in external knowledge!
Belajar Prompt Engineering & LLM Optimization for Developers dengan tutor AI — gratis
Tulis dan jalankan kode asli di browser kamu, dapatkan bantuan instan dari tutor AI 24/7, dan lanjutkan di mana kamu tinggalkan di web atau aplikasi.
- Kursus
- 12
- Pelajaran
- 48
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Penguraian dan Validasi Keluaran” gratis?
Ya — teks lengkap “Penguraian dan Validasi Keluaran” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Prompt Engineering & LLM Optimization for Developers, upgrade ke CoddyKit PRO. Kursus Prompt Engineering & LLM Optimization for Developers mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Penguraian dan Validasi Keluaran”?
Terapkan mekanisme penguraian dan validasi yang kuat untuk memastikan keluaran LLM memiliki format yang diinginkan dan memenuhi standar kualitas yang ditetapkan. Kamu berlatih Prompt Engineering & LLM Optimization for Developers dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai Prompt Engineering & LLM Optimization for Developers?
Tidak diperlukan pengalaman sebelumnya. Prompt Engineering & LLM Optimization for Developers di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 3 dari 4.
Berapa lama pelajaran “Penguraian dan Validasi Keluaran” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran Prompt Engineering & LLM Optimization for Developers ini?
Ya. Setiap pelajaran Prompt Engineering & LLM Optimization for Developers menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Efisiensi Token dan Pengelolaan Konteks
- Teknik Pengurangan Latensi
- Penguraian dan Validasi Keluaran
- Caching dan Batching untuk Menghemat Biaya LLM