LangChain 表达式语言核心组合：Prompt + LLM + OutputParser
https://python.langchain.com.cn/docs/expression_language/cookbook/prompt_llm_parser
LangChain 表达式语言核心组合：Prompt + LLM + OutputParser 总结
LangChain 中最基础且高频的核心组合是 Prompt（提示）→ LLM/ChatModel（模型）→ OutputParser（输出解析器），几乎所有复杂链都基于此构建。文档围绕这一组合，从“基础用法”“进阶解析”“输入简化”三个维度展开，以下是详细总结。
一、基础组合：Prompt + LLM（无解析器）
核心是将“提示模板”与“模型”串联，实现“接收用户输入→填充提示→调用模型→返回原始模型输出”的流程，可灵活附加模型调用参数（如停止序列、函数调用规则）。
1. 最简实现（ChatPromptTemplate + ChatModel）
使用 ChatPromptTemplate 定义带变量的提示，搭配 ChatModel（如 ChatOpenAI），直接返回模型原生的 AIMessage 输出。
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI# 1. 定义带变量{foo}的聊天提示模板
prompt = ChatPromptTemplate.from_template("tell me a joke about {foo}")
# 2. 初始化模型
model = ChatOpenAI()
# 3. 串联链：提示 → 模型
chain = prompt | model# 调用：传入变量{foo}的值，返回AIMessage
result = chain.invoke({"foo": "bears"})
# 输出：AIMessage(content="为什么熊不穿鞋子？\n\n因为它们有熊脚！", ...)
2. 附加模型调用参数（用 bind 方法）
通过 model.bind(**kwargs) 为模型调用附加固定参数，无需每次调用时重复传入，常见场景包括“设置停止序列”“指定函数调用”。
场景1：附加停止序列（截断模型输出）
# 绑定停止序列：模型输出遇到"\n"时停止
chain = prompt | model.bind(stop=["\n"])
result = chain.invoke({"foo": "bears"})
# 输出：AIMessage(content="为什么熊从不穿鞋？", ...)（仅到换行前）
场景2：附加函数调用规则
指定模型需调用的函数结构，让模型输出符合函数参数格式的结果（而非自然语言）。
# 1. 定义函数结构（如“生成笑话”的函数）
functions = [{"name": "joke","description": "一个笑话","parameters": {"type": "object","properties": {"setup": {"type": "string", "description": "笑话的开头"},"punchline": {"type": "string", "description": "笑话的结尾"}},"required": ["setup", "punchline"]}}
]# 2. 绑定函数调用参数：指定调用“joke”函数
chain = prompt | model.bind(function_call={"name": "joke"}, functions=functions)
result = chain.invoke({"foo": "bears"})
# 输出：AIMessage(content='', additional_kwargs={'function_call': {'name': 'joke', 'arguments': '{"setup": "为什么熊不穿鞋子？", "punchline": "因为它们有熊脚！"}'}})
二、进阶组合：Prompt + LLM + OutputParser
在基础组合后添加 OutputParser，将模型原生输出（如 AIMessage、函数调用格式）转换为更易处理的格式（如字符串、JSON、指定键值），降低下游任务的处理成本。
1. 普通文本解析（StrOutputParser）
将 AIMessage 的 content 提取为纯字符串，最常用的解析器之一。
from langchain_core.output_parsers import StrOutputParser# 串联链：提示 → 模型 → 字符串解析
chain = prompt | model | StrOutputParser()
result = chain.invoke({"foo": "bears"})
# 输出："为什么熊不穿鞋子？\n\n因为它们有熊脚！"（纯字符串，无AIMessage包装）
2. 函数调用结果解析（针对函数调用场景）
当模型输出为函数调用格式时，使用专门的解析器提取结构化数据（如 JSON 整体、JSON 中的指定键）。
场景1：解析为完整 JSON（JsonOutputFunctionsParser）
提取函数调用的 arguments 部分，转换为 Python 字典。
from langchain.output_parsers.openai_functions import JsonOutputFunctionsParser# 串联链：提示 → 绑定函数调用 → 解析为JSON字典
chain = (prompt| model.bind(function_call={"name": "joke"}, functions=functions)| JsonOutputFunctionsParser()
)
result = chain.invoke({"foo": "bears"})
# 输出：{'setup': "为什么熊不喜欢快餐？", 'punchline': "因为它们抓不到它！"}（Python字典）
场景2：解析为 JSON 中的指定键（JsonKeyOutputFunctionsParser）
仅提取 JSON 中某个指定键的值（如仅要“笑话开头”setup）。
from langchain.output_parsers.openai_functions import JsonKeyOutputFunctionsParser# 串联链：提示 → 绑定函数调用 → 解析指定键“setup”
chain = (prompt| model.bind(function_call={"name": "joke"}, functions=functions)| JsonKeyOutputFunctionsParser(key_name="setup")
)
result = chain.invoke({"foo": "bears"})
# 输出："为什么熊不穿鞋子？"（仅提取setup键的值）
三、简化输入：用 RunnablePassthrough 减少重复传参
默认情况下，链需要传入“与提示变量匹配的字典”（如 {"foo": "bears"}），通过 RunnablePassthrough 可简化为“直接传变量值”（如 ("bears")），底层自动映射为字典。
实现方式（用字典映射简化）
通过字典定义“提示变量→输入值”的映射，RunnablePassthrough() 表示“直接传递输入值作为该变量的值”。
from langchain_core.runnables import RunnablePassthrough# 简化链：输入值→自动映射为{"foo": 输入值} → 提示 → 模型 → 解析
chain = ({"foo": RunnablePassthrough()} # 输入值直接映射给变量foo| prompt| model.bind(function_call={"name": "joke"}, functions=functions)| JsonKeyOutputFunctionsParser(key_name="setup")
)# 调用：直接传“bears”，无需传字典
result = chain.invoke("bears")
# 输出："为什么熊不穿鞋子？"
四、核心总结（表格对比）
| 组合类型 | 结构 | 输出格式 | 适用场景 |
|---|---|---|---|
| 基础 Prompt+LLM | Prompt → LLM | AIMessage | 需保留模型原生输出（如函数调用元数据） |
| 带普通解析 | Prompt → LLM → StrOutputParser | 纯字符串 | 下游需简单文本（如直接展示、字符串处理） |
| 带函数结果解析（完整） | Prompt→LLM.bind→JsonOutputFunctionsParser | Python字典 | 需完整函数调用参数（如执行后续函数） |
| 带函数结果解析（指定键） | Prompt→LLM.bind→JsonKeyOutputFunctionsParser | 单个值（字符串/数字） | 仅需函数参数中的某个字段 |
| 简化输入版 | {“var”: RunnablePassthrough()} → Prompt → … | 对应解析格式 | 希望减少传参复杂度（直接传值而非字典） |
结尾交付物提议
要不要我帮你整理一份**“Prompt+LLM+解析器”全场景代码模板**？包含基础组合、函数调用、输入简化等所有核心场景的可直接运行代码，每个示例都带注释，你替换模型或提示词就能快速适配自己的需求。