☰

企业官网建设流程全解析

首页 / 建站日记 / 企业官网建设流程全解析
LangChain 输出解析器指南：从 StrOutputParser 到 PydanticOutputParser
2026/9/19 4:07:51 网站建设 项目流程

我挖掘了一个巨牛的 人工智能 学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家。点击跳转到网站。

引言：

“你的 AI 应用，是不是还在‘能对话’的阶段就停下了？”

做过 LLM 应用开发的朋友一定遇到过这个场景：模型能说会道，但一涉及到“我要把结果存进数据库”、“我要调用下一个函数”，就卡壳了。因为模型给你的，是一段看得懂但用不了的自然语言。

别急，LangChain 里有一类组件，专门负责把模型的“废话”变成程序的“资产”——它就是输出解析器（Output Parser）。

这篇文章，我会带你彻底搞懂它的原理，并手写一个能输出结构化笑话的 Agent。

1.输出解析器核心概念

输出解析器负责接收大模型原始输出文本，把无格式自由文本转换为标准结构化数据。在需要让模型输出规范、可被程序直接读取的数据场景下十分关键。

大模型原生输出是无约束的自然语言文本，而开发应用时往往需要机器可识别的规整数据，常见目标格式包含：

  • JSON 字符串 / Python 字典、列表
  • Pydantic 模型实例
  • 固定布尔值、枚举类等限定结果

输出解析器承担转换桥梁作用：把 LLM 非结构化文本转为结构化对象，让大模型交互像标准化接口调用，是开发工业级 LLM 应用的核心组件。

1.1 输出解析器 vs with_structured_output () 区别

二者最终都能实现结构化输出，但本质层级、使用方式、设计定位完全不同：

  1. 所属维度不同

    • 输出解析器：独立通用功能组件，属于 LangChain 单独封装的 Runnable，和 Prompt、LLM 是平级组件；
    • with_structured_output(schema)：聊天模型 ChatModel 内置的实例方法，作用是包装原有模型，生成一个融合了强制结构化输出逻辑的全新模型 Runnable。

  2. 链式调用能力二者均支持|管道链式写法：

    • 输出解析器三段式链式（组件完全解耦、可单独复用）
      chain = prompt | llm | parser
      Prompt、原始大模型、解析器三者相互独立，可单独抽离、替换、复用任意一段。
    • with_structured_output链式写法（解析逻辑内置绑定模型）
      structured_llm = llm.with_structured_output(schema) chain = prompt | structured_llm
      结构化解析逻辑被封装在模型内部，不存在独立可拆分的解析器组件。

  3. 适用场景区分

    • 选用独立输出解析器：需要灵活控制解析逻辑、单独复用解析器、多链路共用同一套解析规则，追求组件解耦；
    • 选用with_structured_output：快速开发、希望由模型强制约束输出格式，不需要单独操作解析流程，代码更简洁。

总结

  1. 二者核心区别不在「能不能写链」，而在解析器是否独立可拆分：
    • 三段式：解析器是独立 Runnable，灵活可替换；
    • with_structured_output：解析逻辑内置在模型内部，无法单独提取使用。

2.解析文本输出StroutputParser

作用：把大语言模型（LLM）返回的复杂输出对象，提取成最纯粹的 Python 字符串（str），也就是自动将content的内容读取输出出来。

其实对于使用StroutputParser输出解析器输出文本，我们已经使用过多次了。对于StrOutputParser，它也实现了标准的Runnable接口。

StroutputParse就是一个典型的输出解析器！

示例如下:

from langchain.chat_models import init_chat_model from langchain_core.messages import SystemMessage, HumanMessage from langchain_core.output_parsers import StrOutputParser # 定义⼤模型 # 默认从系统环境变量中读取 OPENAI_API_KEY model = init_chat_model("deepseek-v4-flash", model_provider="deepseek") messages = [ SystemMessage(content="你是一个计算器"), HumanMessage(content="1+1=?") ] result = model.invoke(messages) #没有解析的 print(result) #输出结果： #content='2' additional_kwargs={'refusal': None, 'reasoning_content': '我们被问到："1+1=?" 这是一个简单的数学问题。答案显然是2。但作为计算器，我应该给出精确答案。所以回答：2。'} response_metadata={'token_usage': {'completion_tokens': 36, 'prompt_tokens': 12, 'total_tokens': 48, 'completion_tokens_details': {'accepted_prediction_tokens': None, 'audio_tokens': None, 'reasoning_tokens': 34, 'rejected_prediction_tokens': None}, 'prompt_tokens_details': {'audio_tokens': None, 'cached_tokens': 0}, 'prompt_cache_hit_tokens': 0, 'prompt_cache_miss_tokens': 12}, 'model_provider': 'deepseek', 'model_name': 'deepseek-v4-flash', 'system_fingerprint': 'fp_8b330d02d0_prod0820_fp8_kvcache_20260402', 'id': '5f26b1ad-7734-4c37-92d5-ebd52e7f99fa', 'finish_reason': 'stop', 'logprobs': None} id='lc_run--019f6f4c-cc06-7de3-9d4f-4814eb4c62b6-0' tool_calls=[] invalid_tool_calls=[] usage_metadata={'input_tokens': 12, 'output_tokens': 36, 'total_tokens': 48, 'input_token_details': {'cache_read': 0}, 'output_token_details': {'reasoning': 34}} parser = StrOutputParser() chain = model | parser #已经解析的 print(chain.invoke(messages)) #输出结果 #2

3.PydanticOutputParser 解析结构化对象输出

3.1核心定位

想要让大模型输出可被程序直接读取、带类型校验的结构化 Python 对象，使用PydanticOutputParser，专门搭配继承BaseModel的 Pydantic 模型使用。 类完整路径：langchain_core.output_parsers.pydantic.PydanticOutputParser

3.2构造参数

  • pydantic_object传入你自定义的 Pydantic 模型类（如示例中的Joke，代码在下面）； 解析器会自动读取该类所有字段、字段类型、描述、必填 / 可选规则，作为解析与格式提示的依据。

3.3、内置核心方法

1. invoke(input)

功能：接收大模型返回的原始文本字符串，完成解析并返回 Pydantic 模型实例。 执行步骤：

  1. 从文本中提取 JSON 片段；
  2. 根据pydantic_object做字段、类型、必填项校验；
  3. 校验通过，返回模型对象；校验失败直接抛出解析异常。

2. get_format_instructions () → str（重中之重）

  1. 功能：自动生成一段自然语言指令文本，教大模型如何返回；
  2. 使用方式：必须把这段文本拼入 Prompt 模板，随用户问题一起发给 LLM；
  3. 核心目的：用文字约束大模型输出规范，明确告知模型：
    • 必须返回 JSON 格式；
    • 需要包含哪些字段；
    • 每个字段的数据类型、含义；
    • 哪些字段必填、哪些可选；
    • 禁止输出多余解释、前言、后语，只返回纯净 JSON。

示例生成文本简化版：

输出格式要求： 返回一个JSON对象，包含以下字段： setup：字符串，必填，笑话的开头 punchline：字符串，必填，笑话的妙语 rating：整数或null，可选，1~10分为笑话打分 不要输出任何额外文字，只返回JSON。

3.4.完整配套使用流程

  1. 定义继承BaseModel的 Pydantic 结构体，规定输出字段规范；
  2. 实例化解析器：parser = PydanticOutputParser(pydantic_object=自定义类)；
  3. 调用parser.get_format_instructions()获取格式指令；
  4. 通过partial_variables将格式指令注入 Prompt 模板，和任务、用户提问拼接；
  5. 构建链式prompt | model | parser；
  6. 调用chain.invoke()，parser 自动完成文本→结构化对象转换。

3.5.关键注意点

  1. 若不将get_format_instructions()的内容写入 Prompt，大模型不受格式约束，会自由输出自然语言，invoke()解析时必然报错；
  2. 该解析器属于独立 Runnable 组件，和 Prompt、LLM 三层解耦，支持管道链式写法；
  3. 和llm.with_structured_output()区分：
    • PydanticOutputParser：靠提示词文本约束输出，链路三段式；
    • with_structured_output：模型接口底层强制结构化，无需手动拼接格式指令。

代码示例：

from typing import Optional from langchain.chat_models import init_chat_model from langchain_core.output_parsers import PydanticOutputParser from langchain_core.prompts import PromptTemplate from pydantic import BaseModel, Field model = init_chat_model( "deepseek-v4-flash", model_provider="deepseek", # 关键配置：关闭思考模式（非思考模式） model_kwargs={ "extra_body": { "thinking": {"type": "disabled"} } } ) #创建一个pydantic对象 class Joke(BaseModel):#继承BaseModel类 """ 给用户讲的一个笑话 """ setup:str = Field(description="这个笑话的开头") punchline:str = Field(description="这个笑话的妙语") #下面表示rating这个参数可选，不是必填项，而上面两个参数是必传选项 rating:Optional[int] = Field(default=None,description="1~10分，给这个笑话打几分") #定义解析器 parser = PydanticOutputParser(pydantic_object=Joke) # 提示模板 prompt = PromptTemplate( template="回复用户问题。\n返回结构说明：{format_instructions}\n用户问题：{query}\n", partial_variables={"format_instructions": parser.get_format_instructions()}, # 将返回的结构作为提示词发送给大模型 input_variables=["query"], ) # print(prompt.invoke({"query": "讲一个关于跳舞的笑话"})) # 定义链 chain = prompt | model | parser result = chain.invoke({"query": "讲一个关于跳舞的笑话"}) print(result)

输出结果：

可涵的理解和总结：

输出解析器是为了模板准备的，输出解析器调用get_format_instructions方法能够获得Joke这个pydantic类返回一段自然语言格式约束提示词。这样把模板传递给大模型，大模型就知道如何返回了。partial_variables就是存放固定不变的内容，正好就存储这个内容，而input_variables存放动态内容，正好满足用户不同的提问需求！

理解上面的语句的关键在于要弄懂get_format_instructions的作用！

get_format_instructions()作用：自动生成一大段英文规则 + JSON Schema，告诉 AI 该怎么输出 JSON；

4.完整代码讲解，重点：Prompt 作用 + 链式执行全过程

4.1、整体功能概述

定义笑话的数据格式（Pydantic），通过提示词约束大模型只能输出标准 JSON，利用prompt | model | parser链式流水线，自动完成「拼接提示→调用 AI→解析结构化对象」整套流程。

4.2、分段基础代码简要说明

1. Pydantic 结构体 Joke（规定 AI 输出格式）

class Joke(BaseModel): """给用户讲的一个笑话""" setup:str = Field(description="这个笑话的开头") punchline:str = Field(description="这个笑话的妙语") rating:Optional[int] = Field(default=None,description="1~10分，给这个笑话打几分")
  • setup、punchline：无默认值，必填字段
  • rating：可选，可以不给，值为数字或空 后续解析器会读取这个类，生成格式约束、校验 AI 返回内容。

2. 输出解析器

parser = PydanticOutputParser(pydantic_object=Joke)

两大核心能力：

  1. get_format_instructions()：自动生成一大段英文规则 + JSON Schema，告诉 AI 该怎么输出 JSON；
  2. invoke()：接收 AI 返回的文本，提取 JSON、校验字段，最终生成Joke对象。

3、PromptTemplate 完整作用（核心重点）

prompt = PromptTemplate( template="回复用户问题。\n返回结构说明：{format_instructions}\n用户问题：{query}\n", partial_variables={"format_instructions": parser.get_format_instructions()}, input_variables=["query"], )

1. Prompt 总作用

拼接一段完整、带强制规则的文本，作为输入传给大模型。 AI 本身不知道两件事：①要做什么 ②必须输出 JSON，全靠 Prompt 传递这两条信息。

2. 三部分参数拆解

  1. template：文本骨架，包含两个占位符
    • {format_instructions}：填充 JSON 输出强制规则
    • {query}：填充用户动态提问
  2. partial_variables：存放固定不变的内容parser.get_format_instructions()生成的格式规则，创建模板时就填充好，不用每次调用重复传入。
  3. input_variables=["query"]：声明动态变量每次调用必须手动传入query，用来替换用户不同的提问。

partial_variables、input_variables是占位符的数据源配置，不是注释说明；一个存固定内容，一个存每次可变内容。它们只是告诉模板：每个{}占位符去哪里拿真实文本去替换

3.prompt.invoke({"query": "讲一个关于跳舞的笑话"})做了什么

  1. 匹配占位符，自动拼接：固定话术 + JSON 格式规则 + 用户问题；
  2. 生成一段完整长文本（就是控制台打印出来的那段英文 Schema + 中文指令）；
  3. 输出纯字符串，这个字符串就是后续要丢给大模型的全部内容。

4. Prompt 不可替代的两个核心价值

  1. 传递业务需求：把用户的提问（讲跳舞笑话）发给 AI，告诉 AI 要完成什么任务；
  2. 强制约束输出格式：把解析器生成的 JSON 规范拼进文本，强制 AI 只返回标准 JSON，否则后面解析器会报错。

5、链式调用chain = prompt | model | parser完整规则与执行流程

1.|管道通用规则

|是 LangChain LCEL 管道运算符，仅支持 Runnable 对象（Prompt、模型、解析器都是 Runnable）； 执行顺序从左到右，前一段的输出 = 后一段的输入。

整条链三层固定顺序，不能调换：prompt（组装文本） | model（AI生成） | parser（结构化解析）

2. 分步流转全过程：chain.invoke({"query": "讲一个关于跳舞的笑话"})

第 1 层：prompt 执行

  • 输入：字典{"query": "讲一个关于跳舞的笑话"}
  • 内部逻辑：用 partial 固定规则 + 传入的 query 渲染完整提示文本
  • 输出：一整段纯文本（发给 AI 的完整指令）

第 2 层：model 执行

  • 输入：上一层输出的完整提示字符串
  • 内部逻辑：把文本发送 DeepSeek，AI 按照格式要求返回只含 JSON 的文本
  • 输出：带 JSON 的原始字符串

第 3 层：parser 执行

  • 输入：AI 返回的 JSON 文本
  • 内部逻辑：提取 JSON，对照 Joke 类校验字段类型、必填项，生成 Joke 实例
  • 输出：结构化对象Joke(setup=xxx, punchline=xxx, rating=xxx)

3. 传参规则.invoke({"query": "xxx"})

  1. 字典的 keyquery必须和input_variables完全对应；
  2. format_instructions属于 partial 固定变量，不需要在 invoke 中传入；
  3. 传错变量名 / 少传变量，模板渲染直接报错。

4. 流转示意图

chain.invoke({"query": "讲一个关于跳舞的笑话"}) ↓ prompt渲染完整提示长文本（任务+JSON规则+用户问题） ↓ 文本输入模型 model调用DeepSeek，返回纯JSON字符串 ↓ JSON文本输入解析器 parser解析、校验，输出Joke结构化对象

5. 顺序不能颠倒的原因

  1. model | prompt：模型只能接收字符串，无法处理字典变量；
  2. parser | model：解析器输出是对象，模型只能接收文本； 只有prompt → model → parser数据流完全匹配。

解析 JSON 输出

要输出 JSON 格式，需要用到的输出解析器是JsonOutputParser

只需要替换一行代码即可

可涵的问题：

parser.get_format_instructions() 已经生成了一段"格式约束说明"塞进提示词，告诉 LLM 应该按什么结构返回，那么LLM已经按照正确结构返回了，为什么还要在链式调用的最后，把 LLM 返回的原始文本解析成 Pydantic 对象？（| parser就是这部分代码的作用）

解答：为什么最后一步解析必不可少

  1. 类型转换与安全校验
    LLM 返回的本质上只是一段符合 JSON 格式的文本字符串。而Python 代码需要的是一个可以操作的对象。PydanticOutputParser在解析时，会自动将字符串转换成 Pydantic 对象，并对字段类型进行校验。比如，LLM 可能把评分rating返回成字符串"8"，解析器会帮你转成整数；如果返回成"十分"，解析器会直接报错，阻止脏数据进入你的业务逻辑。

总而言之，parser.get_format_instructions()是写给大模型的信，告知它该如何回答；而链尾的parser则是为你的代码准备的保险，确保收到的数据安全、可靠、好用。这一步将大模型不可控的文本输出，转化为了可控的、结构化的程序数据。

6.LangChain 输出解析器精简总结

  1. 核心作用：统一接收 LLM 无格式文本，转为程序可用规范数据，均为 Runnable，支持prompt | llm | parser链式写法，需将get_format_instructions()格式规则注入 Prompt 约束模型输出。
  2. 内置常用解析器
  • PydanticOutputParser：复杂多字段结构化数据，生成 Pydantic 对象（最常用）
  • CommaSeparatedListOutputParser：逗号分割简单列表
  • EnumOutputParser：限定固定枚举分类结果
  • DatetimeOutputParser：提取并转为 datetime 时间对象
  • XMLOutputParser/YamlOutputParser：适配 XML、YAML 格式场景
  1. 自定义解析器内置解析器不满足需求时，继承BaseOutputParser，重写parse解析逻辑与格式提示方法即可。

👉 还没关注的朋友点个关注，下一期干货不迷路。

如果你在配置解析器时遇到报错，或者对partial_variables的用法还有疑问，欢迎在评论区留言，我会逐条回复。

标签： 网站建设 企业官网 项目流程 UI设计 前端开发

热门文章

文章分类

标签云

网站建设 响应式设计 用户体验 SEO优化 前端开发 小程序 电商平台 性能优化

相关文章

您可能感兴趣的其他内容

解密Prompt系列20. LLM Agent之再谈RAG的召回多样性优化
2026/9/12 6:57:08 网站建设

解密Prompt系列20. LLM Agent之再谈RAG的召回多样性优化

前言 RAG最关键的一环其实不是LLM而是相关内容的召回，作为大模型推理的上文，优秀的内容召回应该满足以下条件： 多样性和召回率：召回的内容要可以回答问题，并且内容丰富度，包括同一问题多个观点&#xff0…...

阅读更多 →
Level 4自动驾驶系统设计46——L2/L3 级软硬件架构 2
2026/9/6 0:48:41 网站建设

Level 4自动驾驶系统设计46——L2/L3 级软硬件架构 2

8.3 片外高刚性独立安全 MCU（如英飞凌 TC 系列）的接口分配与底软窗口看门狗（WWD）硬核防御 8.3.1 跨芯片级故障蔓延与 MCU “最后一道防线”的物理刚性 在 8.2 节关于 Level 3 级单芯片方案性能瓶颈的白盒解耦中，我们证实了在单片大算力 SoC 挂载 32G/64G 内存的商业包络…...

阅读更多 →
Appmage使用流程
2026/9/7 8:56:12 网站建设

Appmage使用流程

AppImage 一个文件 免安装、免 root、跨发行版、自带所有依赖，下载后加执行权限就能跑，删文件就等于卸载。 一、权限 1. 下载 .AppImage 文件 去官网 / GitHub Releases 下载，文件名类似：xxx-1.2.3-x86_64.AppImage。优先选 x86…...

阅读更多 →

需要专业的网站建设服务？

联系我们获取免费的网站建设咨询和方案报价，让我们帮助您实现业务目标

立即咨询