关于Ubuntu24.04系统上安装LangChain、Ollama和Qwen2并执行前期教程的说明：
- 在安装完毕后，我们将进行一系列的配置，以便能够从非结构化文本中提取结构化信息。
- 请注意，本教程仅适用于支持tool calling的模型，如llama3.1版本。而gemma2和qwen2这类模型则不支持tool calling功能。
- 我们将通过实践来详细解释如何定义和运用信息提取的方法。
本课程中，我们将构建一个信息提取系统，该系统能够从文本中提取出结构化的信息。为了达到这一目的，我们需要先明确我们希望从文本中获取哪些信息。
为了方便信息提取，我们将使用Pydantic框架来定义一个名为Person的方法。这个方法将帮助我们从文本中提取个人信息。
在定义此类方法时，有两个重要的实践建议：
- 记录属性和架构：这些信息将被发送到LLM（大型语言模型），以帮助提高信息提取的准确性。这也是一个良好的实践，因为它可以提供给模型更多的上下文信息。
- 避免LLM编造信息。在定义属性时，我们可以使用Optional修饰符，这样当文本中没有相关信息时，模型可以输出None而不是编造一个可能不准确的值。
为了确保模型的性能和准确性，我们需要详细记录架构信息，并确保如果文本中没有要提取的信息，模型不会随意返回结果。
接下来，我们将根据上面定义的架构来创建一个信息提取器。这个过程需要使用支持函数/工具调用的模型。
请查阅相关文档，了解可以与此API配合使用的模型列表。这将帮助您选择最适合您需求的模型。
下面是一个完整的程序示例，让我们来测试一下它的效果。
测试结果：
提取出的信息是：[具体信息]
LLM作为生成模型，具有强大的能力。它可以正确地从以英尺为单位的描述中提取出人的身高信息，并将其转换为米单位，这真是非常酷的事情！