Outlines

Outlines：结构化 JSON/正则/Pydantic LLM 生成。

技能元数据


来源	可选 — 使用 `hermes skills install official/mlops/outlines` 安装
路径	`optional-skills/mlops/inference/outlines`
版本	`1.0.0`
作者	Orchestra Research
许可证	MIT
依赖项	`outlines`, `transformers`, `vllm`, `pydantic`
平台	linux, macos, windows
标签	`Prompt Engineering`, `Outlines`, `Structured Generation`, `JSON Schema`, `Pydantic`, `Local Models`, `Grammar-Based Generation`, `vLLM`, `Transformers`, `Type Safety`

参考：完整 SKILL.md

정보

以下是 Hermes 在触发此技能时加载的完整技能定义。这是 Agent 在技能激活时看到的指令。

Outlines：结构化文本生成

何时使用此技能

在以下场景下，你应该使用 Outlines：

保证生成的 JSON/XML/代码结构有效
使用 Pydantic 模型 实现类型安全的输出
支持本地模型（Transformers、llama.cpp、vLLM）
通过零开销的结构化生成最大化推理速度
自动根据 JSON 模式生成
在语法层面控制 token 采样

GitHub Stars: 8000+ | 来自: dottxt.ai（原 .txt）

安装

# 基础安装
pip install outlines

# 使用特定后端
pip install outlines transformers  # Hugging Face 模型
pip install outlines llama-cpp-python  # llama.cpp
pip install outlines vllm  # 高吞吐量 vLLM

快速开始

基本示例：分类

import outlines
from typing import Literal

# 加载模型
model = outlines.models.transformers("microsoft/Phi-3-mini-4k-instruct")

# 使用类型约束生成
prompt = "情感分析：'这个产品太棒了！'："
generator = outlines.generate.choice(model, ["positive", "negative", "neutral"])
sentiment = generator(prompt)

print(sentiment)  # "positive"（保证是这些值之一）

使用 Pydantic 模型

from pydantic import BaseModel
import outlines

class User(BaseModel):
    name: str
    age: int
    email: str

model = outlines.models.transformers("microsoft/Phi-3-mini-4k-instruct")

# 生成结构化输出
prompt = "提取用户：John Doe, 30岁, john@example.com"
generator = outlines.generate.json(model, User)
user = generator(prompt)

print(user.name)   # "John Doe"
print(user.age)    # 30
print(user.email)  # "john@example.com"

核心概念

1. 受限 Token 采样

Outlines 使用有限状态机（FSM）在 logit 级别约束 token 生成。

工作原理：

将模式（JSON/Pydantic/正则）转换为上下文无关文法（CFG）
将 CFG 转换为有限状态机（FSM）
在生成过程中每一步过滤无效 token
当只有一个有效 token 时快速前进 优势：

零开销：在 token 级别进行过滤
速度提升：快速跳过确定性路径
保证有效性：不可能产生无效输出

import outlines

# Pydantic 模型 -> JSON 模式 -> CFG -> FSM
class Person(BaseModel):
    name: str
    age: int

model = outlines.models.transformers("microsoft/Phi-3-mini-4k-instruct")

# 幕后过程：
# 1. Person -> JSON 模式
# 2. JSON 模式 -> CFG
# 3. CFG -> FSM
# 4. FSM 在生成过程中过滤 token

generator = outlines.generate.json(model, Person)
result = generator("生成人员：Alice, 25")

2. 结构化生成器

Outlines 为不同的输出类型提供了专门的生成器。

选择生成器

# 多项选择
generator = outlines.generate.choice(
    model,
    ["positive", "negative", "neutral"]
)

sentiment = generator("评论：这个很好！")
# 结果：三个选项之一

JSON 生成器

from pydantic import BaseModel

class Product(BaseModel):
    name: str
    price: float
    in_stock: bool

# 生成匹配模式的合法 JSON
generator = outlines.generate.json(model, Product)
product = generator("提取：iPhone 15, $999, 有货")

# 保证是合法的 Product 实例
print(type(product))  # <class '__main__.Product'>

正则表达式生成器

# 生成匹配正则表达式的文本
generator = outlines.generate.regex(
    model,
    r"[0-9]{3}-[0-9]{3}-[0-9]{4}"  # 电话号码模式
)

phone = generator("生成电话号码：")
# 结果："555-123-4567"（保证符合模式）

整数/浮点数生成器

# 生成特定数值类型
int_generator = outlines.generate.integer(model)
age = int_generator("人员年龄：")  # 保证是整数

float_generator = outlines.generate.float(model)
price = float_generator("产品价格：")  # 保证是浮点数

3. 模型后端

Outlines 支持多种本地和基于 API 的后端。

Transformers（Hugging Face）

import outlines

# 从 Hugging Face 加载
model = outlines.models.transformers(
    "microsoft/Phi-3-mini-4k-instruct",
    device="cuda"  # 或 "cpu"
)

# 搭配任何生成器使用
generator = outlines.generate.json(model, YourModel)

llama.cpp

# 加载 GGUF 模型
model = outlines.models.llamacpp(
    "./models/llama-3.1-8b-instruct.Q4_K_M.gguf",
    n_gpu_layers=35
)

generator = outlines.generate.json(model, YourModel)

vLLM（高吞吐量）

# 用于生产部署
model = outlines.models.vllm(
    "meta-llama/Llama-3.1-8B-Instruct",
    tensor_parallel_size=2  # 多 GPU
)

generator = outlines.generate.json(model, YourModel)

OpenAI（有限支持）

# 基础 OpenAI 支持
model = outlines.models.openai(
    "gpt-4o-mini",
    api_key="your-api-key"
)

# 注意：部分功能在 API 模型上受限
generator = outlines.generate.json(model, YourModel)

4. Pydantic 集成

Outlines 为 Pydantic 提供了一流的支持，能够自动进行 Schema 转换。

基础模型

from pydantic import BaseModel, Field

class Article(BaseModel):
    title: str = Field(description="Article title")
    author: str = Field(description="Author name")
    word_count: int = Field(description="Number of words", gt=0)
    tags: list[str] = Field(description="List of tags")

model = outlines.models.transformers("microsoft/Phi-3-mini-4k-instruct")
generator = outlines.generate.json(model, Article)

article = generator("Generate article about AI")
print(article.title)
print(article.word_count)  # Guaranteed > 0

嵌套模型

class Address(BaseModel):
    street: str
    city: str
    country: str

class Person(BaseModel):
    name: str
    age: int
    address: Address  # Nested model

generator = outlines.generate.json(model, Person)
person = generator("Generate person in New York")

print(person.address.city)  # "New York"

枚举与字面量

from enum import Enum
from typing import Literal

class Status(str, Enum):
    PENDING = "pending"
    APPROVED = "approved"
    REJECTED = "rejected"

class Application(BaseModel):
    applicant: str
    status: Status  # Must be one of enum values
    priority: Literal["low", "medium", "high"]  # Must be one of literals

generator = outlines.generate.json(model, Application)
app = generator("Generate application")

print(app.status)  # Status.PENDING (or APPROVED/REJECTED)

常见模式

模式一：数据提取

from pydantic import BaseModel
import outlines

class CompanyInfo(BaseModel):
    name: str
    founded_year: int
    industry: str
    employees: int

model = outlines.models.transformers("microsoft/Phi-3-mini-4k-instruct")
generator = outlines.generate.json(model, CompanyInfo)

text = """
Apple Inc. was founded in 1976 in the technology industry.
The company employs approximately 164,000 people worldwide.
"""

prompt = f"Extract company information:\n{text}\n\nCompany:"
company = generator(prompt)

print(f"Name: {company.name}")
print(f"Founded: {company.founded_year}")
print(f"Industry: {company.industry}")
print(f"Employees: {company.employees}")

模式二：分类

from typing import Literal
import outlines

model = outlines.models.transformers("microsoft/Phi-3-mini-4k-instruct")

# Binary classification
generator = outlines.generate.choice(model, ["spam", "not_spam"])
result = generator("Email: Buy now! 50% off!")

# Multi-class classification
categories = ["technology", "business", "sports", "entertainment"]
category_gen = outlines.generate.choice(model, categories)
category = category_gen("Article: Apple announces new iPhone...")

# With confidence
class Classification(BaseModel):
    label: Literal["positive", "negative", "neutral"]
    confidence: float

classifier = outlines.generate.json(model, Classification)
result = classifier("Review: This product is okay, nothing special")

模式 3：结构化表单

class UserProfile(BaseModel):
    full_name: str
    age: int
    email: str
    phone: str
    country: str
    interests: list[str]

model = outlines.models.transformers("microsoft/Phi-3-mini-4k-instruct")
generator = outlines.generate.json(model, UserProfile)

prompt = """
Extract user profile from:
Name: Alice Johnson
Age: 28
Email: alice@example.com
Phone: 555-0123
Country: USA
Interests: hiking, photography, cooking
"""

profile = generator(prompt)
print(profile.full_name)
print(profile.interests)  # ["hiking", "photography", "cooking"]

模式 4：多实体抽取

class Entity(BaseModel):
    name: str
    type: Literal["PERSON", "ORGANIZATION", "LOCATION"]

class DocumentEntities(BaseModel):
    entities: list[Entity]

model = outlines.models.transformers("microsoft/Phi-3-mini-4k-instruct")
generator = outlines.generate.json(model, DocumentEntities)

text = "Tim Cook met with Satya Nadella at Microsoft headquarters in Redmond."
prompt = f"Extract entities from: {text}"

result = generator(prompt)
for entity in result.entities:
    print(f"{entity.name} ({entity.type})")

模式 5：代码生成

class PythonFunction(BaseModel):
    function_name: str
    parameters: list[str]
    docstring: str
    body: str

model = outlines.models.transformers("microsoft/Phi-3-mini-4k-instruct")
generator = outlines.generate.json(model, PythonFunction)

prompt = "Generate a Python function to calculate factorial"
func = generator(prompt)

print(f"def {func.function_name}({', '.join(func.parameters)}):")
print(f'    """{func.docstring}"""')
print(f"    {func.body}")

模式 6：批量处理

def batch_extract(texts: list[str], schema: type[BaseModel]):
    """Extract structured data from multiple texts."""
    model = outlines.models.transformers("microsoft/Phi-3-mini-4k-instruct")
    generator = outlines.generate.json(model, schema)

    results = []
    for text in texts:
        result = generator(f"Extract from: {text}")
        results.append(result)

    return results

class Person(BaseModel):
    name: str
    age: int

texts = [
    "John is 30 years old",
    "Alice is 25 years old",
    "Bob is 40 years old"
]

people = batch_extract(texts, Person)
for person in people:
    print(f"{person.name}: {person.age}")

后端配置

Transformers

import outlines

# Basic usage
model = outlines.models.transformers("microsoft/Phi-3-mini-4k-instruct")

# GPU configuration
model = outlines.models.transformers(
    "microsoft/Phi-3-mini-4k-instruct",
    device="cuda",
    model_kwargs={"torch_dtype": "float16"}
)

# Popular models
model = outlines.models.transformers("meta-llama/Llama-3.1-8B-Instruct")
model = outlines.models.transformers("mistralai/Mistral-7B-Instruct-v0.3")
model = outlines.models.transformers("Qwen/Qwen2.5-7B-Instruct")

llama.cpp

# Load GGUF model
model = outlines.models.llamacpp(
    "./models/llama-3.1-8b.Q4_K_M.gguf",
    n_ctx=4096,         # Context window
    n_gpu_layers=35,    # GPU layers
    n_threads=8         # CPU threads
)

# Full GPU offload
model = outlines.models.llamacpp(
    "./models/model.gguf",
    n_gpu_layers=-1  # All layers on GPU
)

vLLM（生产环境）

# 单 GPU
model = outlines.models.vllm("meta-llama/Llama-3.1-8B-Instruct")

# 多 GPU
model = outlines.models.vllm(
    "meta-llama/Llama-3.1-70B-Instruct",
    tensor_parallel_size=4  # 4 块 GPU
)

# 带量化
model = outlines.models.vllm(
    "meta-llama/Llama-3.1-8B-Instruct",
    quantization="awq"  # 或 "gptq"
)

最佳实践

1. 使用具体类型

# ✅ 好：具体类型
class Product(BaseModel):
    name: str
    price: float  # 不要用 str
    quantity: int  # 不要用 str
    in_stock: bool  # 不要用 str

# ❌ 差：全部用字符串
class Product(BaseModel):
    name: str
    price: str  # 应该是 float
    quantity: str  # 应该是 int

2. 添加约束

from pydantic import Field

# ✅ 好：带约束
class User(BaseModel):
    name: str = Field(min_length=1, max_length=100)
    age: int = Field(ge=0, le=120)
    email: str = Field(pattern=r"^[\w\.-]+@[\w\.-]+\.\w+$")

# ❌ 差：无约束
class User(BaseModel):
    name: str
    age: int
    email: str

3. 使用枚举管理分类

# ✅ 好：固定集合用枚举
class Priority(str, Enum):
    LOW = "low"
    MEDIUM = "medium"
    HIGH = "high"

class Task(BaseModel):
    title: str
    priority: Priority

# ❌ 差：自由字符串
class Task(BaseModel):
    title: str
    priority: str  # 可以是任意值

4. 在提示词中提供上下文

# ✅ 好：清晰的上下文
prompt = """
从以下文本中提取产品信息。
文本：iPhone 15 Pro 售价 999 美元，目前有货。
产品：
"""

# ❌ 差：上下文太少
prompt = "iPhone 15 Pro 售价 999 美元，目前有货。"

5. 处理可选字段

from typing import Optional

# ✅ 好：对不完整数据使用可选字段
class Article(BaseModel):
    title: str  # 必填
    author: Optional[str] = None  # 可选
    date: Optional[str] = None  # 可选
    tags: list[str] = []  # 默认空列表

# 即使缺少作者/日期也能成功

与替代方案对比

特性	Outlines	Instructor	Guidance	LMQL
Pydantic 支持	✅ 原生	✅ 原生	❌ 否	❌ 否
JSON Schema	✅ 是	✅ 是	⚠️ 有限	✅ 是
正则约束	✅ 是	❌ 否	✅ 是	✅ 是
本地模型	✅ 完全	⚠️ 有限	✅ 完全	✅ 完全
API 模型	⚠️ 有限	✅ 完全	✅ 完全	✅ 完全
零开销	✅ 是	❌ 否	⚠️ 部分	✅ 是
自动重试	❌ 否	✅ 是	❌ 否	❌ 否
学习曲线	低	低	低	高

何时选择 Outlines：

使用本地模型（Transformers、llama.cpp、vLLM）
需要最大推理速度
需要 Pydantic 模型支持
要求零开销的结构化生成
控制 token 采样过程

何时选择替代方案：

Instructor：需要支持自动重试的 API 模型
Guidance：需要 token 修复和复杂工作流
LMQL：偏好声明式查询语法

性能特性

速度：

零开销：结构化生成速度与无约束生成一样快
快进优化：跳过确定性 token
比后生成验证方法快 1.2-2 倍

内存：

FSM 为每个 schema 编译一次（可缓存）
运行时开销极小
配合 vLLM 实现高吞吐量

准确性：

100% 有效输出（由 FSM 保证）
无需重试循环
确定性 token 过滤

资源

文档：https://outlines-dev.github.io/outlines
GitHub：https://github.com/outlines-dev/outlines（8k+ star）
Discord：https://discord.gg/R9DSu34mGd
博客：https://blog.dottxt.co

另请参阅

references/json_generation.md - 完整的 JSON 和 Pydantic 模式
references/backends.md - 后端特定配置
references/examples.md - 生产就绪示例

技能元数据​

参考：完整 SKILL.md​

Outlines：结构化文本生成

何时使用此技能​

安装​

快速开始​

基本示例：分类​

使用 Pydantic 模型​

核心概念​

1. 受限 Token 采样​

2. 结构化生成器​

选择生成器​

JSON 生成器​

正则表达式生成器​

整数/浮点数生成器​

3. 模型后端​

Transformers（Hugging Face）​

llama.cpp​

vLLM（高吞吐量）​

OpenAI（有限支持）​

4. Pydantic 集成​

基础模型​

嵌套模型​

枚举与字面量​

常见模式​

模式一：数据提取​

模式二：分类​

模式 3：结构化表单​

模式 4：多实体抽取​

模式 5：代码生成​

模式 6：批量处理​

后端配置​

Transformers​

llama.cpp​

vLLM（生产环境）​

最佳实践​

1. 使用具体类型​

2. 添加约束​

3. 使用枚举管理分类​

4. 在提示词中提供上下文​

5. 处理可选字段​

与替代方案对比​

性能特性​

资源​

另请参阅​

技能元数据

参考：完整 SKILL.md

何时使用此技能

安装

快速开始

基本示例：分类

使用 Pydantic 模型

核心概念

1. 受限 Token 采样

2. 结构化生成器

选择生成器

JSON 生成器

正则表达式生成器

整数/浮点数生成器

3. 模型后端

Transformers（Hugging Face）

llama.cpp

vLLM（高吞吐量）

OpenAI（有限支持）

4. Pydantic 集成

基础模型

嵌套模型

枚举与字面量

常见模式

模式一：数据提取

模式二：分类

模式 3：结构化表单

模式 4：多实体抽取

模式 5：代码生成

模式 6：批量处理

后端配置

Transformers

llama.cpp

vLLM（生产环境）

最佳实践

1. 使用具体类型

2. 添加约束

3. 使用枚举管理分类

4. 在提示词中提供上下文

5. 处理可选字段

与替代方案对比

性能特性

资源

另请参阅