第四章:大模型（LLM)】06.langchain原理-(7)LangChain 输出解析器（Output Parser）
第四章：大模型（LLM）
第六部分：LangChain 原理
第七节：LangChain 输出解析器（Output Parser）
在使用大模型时，模型往往会返回自然语言文本结果，而实际应用中，我们更需要 结构化的结果（如 JSON、数值、标签、SQL 查询语句等）。
LangChain 提供了 输出解析器（Output Parser），用于将模型输出的自然语言解析成所需的结构化数据。
1. 输出解析器的作用
将文本转为结构化格式（如 JSON、字典、列表）。
限制模型的输出风格（例如必须是 JSON 格式）。
保证应用能安全调用下游模块（如数据库接口、API、工具调用）。
如果没有输出解析器，模型输出可能会包含多余的说明、注释，导致程序无法直接解析。
2. LangChain 内置的输出解析器
LangChain 提供了一些常用的解析器类：
StrOutputParser：直接输出字符串（最简单）。RegexParser：基于正则表达式提取结果。PydanticOutputParser：利用Pydantic数据模型进行验证和结构化。StructuredOutputParser：利用 JSON Schema 定义输出格式。
3. 示例代码
(1) 基础字符串解析
from langchain.output_parsers import StrOutputParser
from langchain_openai import ChatOpenAI# 模型
llm = ChatOpenAI(model="gpt-3.5-turbo")# 解析器
parser = StrOutputParser()# 调用链
result = llm.invoke("请用一句话介绍Python语言。")
parsed = parser.parse(result.content)print(parsed)
👉 StrOutputParser 仅仅返回模型输出的字符串。
(2) 使用正则解析
import re
from langchain.output_parsers import RegexParser# 定义正则匹配：假设我们需要提取一个数字
parser = RegexParser(regex=r"(\d+)", output_keys=["number"]
)text = "Python有30年的历史"
parsed = parser.parse(text)
print(parsed) # {'number': '30'}
👉 利用正则，可以快速提取数值、关键词等。
(3) 使用 Pydantic 解析
from pydantic import BaseModel, Field
from langchain.output_parsers import PydanticOutputParser# 定义数据结构
class Person(BaseModel):name: str = Field(description="姓名")age: int = Field(description="年龄")# 解析器
parser = PydanticOutputParser(pydantic_object=Person)# 获取提示模板
format_instructions = parser.get_format_instructions()prompt = f"""
请生成一个人的信息。
{format_instructions}
"""# 模拟LLM输出
llm_output = '{"name": "张三", "age": 25}'# 解析
parsed = parser.parse(llm_output)
print(parsed) # Person(name='张三', age=25)
👉 Pydantic 提供了 数据校验 和 强类型约束，非常适合需要严格数据格式的场景。
(4) 使用 StructuredOutputParser
from langchain.output_parsers import StructuredOutputParser, ResponseSchema# 定义输出字段
schemas = [ResponseSchema(name="name", description="人物的姓名"),ResponseSchema(name="age", description="人物的年龄"),
]parser = StructuredOutputParser.from_response_schemas(schemas)
format_instructions = parser.get_format_instructions()print("输出格式要求：", format_instructions)
👉 它会生成一个 JSON Schema 规范，要求 LLM 输出必须严格遵循 JSON 格式。
4. 输出解析器在实际应用中的价值
知识问答系统：将模型输出的回答解析成结构化结果（如
{"answer": "...", "source": "..."}）。数据库查询：模型生成 SQL 语句后，用解析器抽取并校验 SQL。
对话机器人：确保 LLM 输出符合 JSON 结构，便于后续调用工具或 API。
多模态应用：解析模型输出的标签、坐标、分类结果。
5. 总结
输出解析器是 LangChain 中的关键组件，能保证 LLM 输出的 可控性与可靠性。
常见类型包括
StrOutputParser、RegexParser、PydanticOutputParser、StructuredOutputParser。实际开发中，推荐 Pydantic + StructuredOutputParser，能最大程度保证结果的准确性与安全性。