企业官网建设流程全解析

一、StrOutputParser

1. 场景需求

以第一次模型的输出结果，拿去第二次询问模型

fromlangchain_core.promptsimportPromptTemplatefromlangchain_ollamaimportChatOllama model=ChatOllama(model="gemma4:12b")prompt=PromptTemplate.from_template("我是{band}乐队的粉丝，帮我推荐一首音乐，仅告知歌曲名称，无需其他内容")chain=prompt|model res=chain.stream({"band":"Beyond"})forchunkinres:print(chunk,end="",flush=True)

现在需要：chain = prompt | model | model，参与链的构建的组件完全符合要求，但运行会报错
ValueError: Invalid input type <class 'langchain_core.messages.ai.AIMessageChunk'>. Must be a PromptValue, str, or list of BaseMessages.

首先，提示词模板PromptTemplate.from_template（即prompt）是PromptValue类型
model的输入是PromptValue | str | Sequence[MessageLikeRepresentation]类型，输出是AIMessage类对象

故类型不对，通过LangChain内置的解析器StrOutputParser字符串输出解析器完成类型转换

2. StrOutputParser字符串输出解析

StrOutputParser是LangChain内置的简单字符串解析器

• 可以将AIMessage解析为简单的字符串，符合了模型invoke方法要求(可传入字符串，不接收AIMessage类型)
• 是Runnable接口的子类(可以加入链)

parser = StrOutputParser()
chain = prompt | model | parser |model

3. 完整流程

chain = prompt | model | parser | model
prompt --输出–> PromptValue类型 -> model --输出–> AIMessage类型 -> parser --输出–> str类型 -> model --输出–> AIMessage类型，res为AIMessage类型，通过res.content()拿到模型输出的内容

fromlangchain_core.output_parsersimportStrOutputParserfromlangchain_core.promptsimportPromptTemplatefromlangchain_ollamaimportChatOllama model=ChatOllama(model="gemma4:12b")prompt=PromptTemplate.from_template("我是{band}乐队的粉丝，你最喜欢的是哪首歌？仅输出一首歌曲的名称即可")parser=StrOutputParser()chain=prompt|model|parser|model res=chain.stream({"band":"Beyond"})forchunkinres:print(chunk.content,end="",flush=True)

也可以再加一个parser，拿到str类型，chain = prompt | model | parser | model | parser，res直接输出即可

fromlangchain_core.output_parsersimportStrOutputParserfromlangchain_core.promptsimportPromptTemplatefromlangchain_ollamaimportChatOllama model=ChatOllama(model="gemma4:12b")prompt=PromptTemplate.from_template("我是{band}乐队的粉丝，你最喜欢的是哪首歌？仅输出一首歌曲的名称即可")parser=StrOutputParser()chain=prompt|model|parser|model|parser res=chain.stream({"band":"Beyond"})forchunkinres:print(chunk,end="",flush=True)

二、JsonOutputParser

1. 问题分析

StrOutputParser中有个问题：直接拿模型给的结果再次喂给模型，第一次模型给的数据并没有进行处理
即上一个模型的输出，没有被处理就输入给了下一个模型

标准的做法流程如下：

为了符合标准做法，需要加入数据处理和提示词模板功能

模型输入：PromptValue | str | Sequence[MessageLikeRepresentation]，输出：AIMessage
提示词模板输入：dict字典，输出PromptValue
数据处理：将AIMessage转为dict字典输出

2. 数据处理和提示词模板

数据处理：将AIMessage转为dict字典输出

StrOutputParser：AIMessage转为str
JsonOutputParser：AIMessage转为Dist(JSON)

fromlangchain_core.output_parsersimportStrOutputParser,JsonOutputParserfromlangchain_core.promptsimportPromptTemplatefromlangchain_ollamaimportChatOllama str_parser=StrOutputParser()json_parser=JsonOutputParser()model=ChatOllama(model="gemma4:12b")first_prompt=PromptTemplate.from_template("我朋友姓：{lastname}，刚生了一个{gender}，帮我起一个名字""封装到Json格式返回，要求key是name，value是你给的名字，请简要回答，只需要提供一个名字即可，严格遵守格式要求。")second_prompt=PromptTemplate.from_template("姓名{name}，这个名字怎么样？")""" chain = first_prompt | model | json_parser res = chain.invoke({"lastname":"薛","gender":"女"}) print(res) # {'name': '薛若汐'} print(type(res)) #<class 'dict'> """chain=first_prompt|model|json_parser|second_prompt|model|str_parser res=chain.stream({"lastname":"薛","gender":"女"})forchunkinres:print(chunk,end="",flush=True)

chain = first_prompt | model | json_parser | second_prompt | model | str_parser

三、自定义函数加入链

StrOutputParser：AIMessage转为str
JsonOutputParser：AIMessage转为Dist(JSON)

LangChain还支持编写Lambda匿名函数来实现自定义逻辑的数据转换，需要基于RunnableLambda类实现

RunnaLambda类是LangChain内置的，将普通函数等转换为Runnable接口实例，方便自定义函数加入chain

语法：RunnableLambda(函数对象或lambda匿名函数)

通过自定义函数my_func = RunnableLambda(lambda ai_msg: {"name": ai_msg.content})实现自定义逻辑的数据转换，输入AIMessage，输出str（AIMessage的name所对应的内容）

fromlangchain_core.output_parsersimportStrOutputParserfromlangchain_core.promptsimportPromptTemplatefromlangchain_core.runnablesimportRunnableLambdafromlangchain_ollamaimportChatOllama str_parser=StrOutputParser()# 输入：AIMessage 输出：Dict（”name“:"XXX"）my_func=RunnableLambda(lambdaai_msg:{"name":ai_msg.content})model=ChatOllama(model="gemma4:12b")first_prompt=PromptTemplate.from_template("我朋友姓：{lastname}，刚生了一个{gender}，帮我起一个名字""封装到Json格式返回，要求key是name，value是你给的名字，请简要回答，只需要提供一个名字即可，严格遵守格式要求。")second_prompt=PromptTemplate.from_template("姓名{name}，这个名字怎么样？")""" chain = first_prompt | model | (lambda ai_msg:{"name":ai_msg.content}) res = chain.stream({"lastname": "薛", "gender": "女"}) for chunk in res: print(chunk, end="", flush=True) """chain=first_prompt|model|my_func|second_prompt|model|str_parser res=chain.stream({"lastname":"燕","gender":"女"})forchunkinres:print(chunk,end="",flush=True)

chain中的或运算符是支持Callable参数的，故可以提供lambda直接传入