当前位置： 首页 > news >正文

小杰-大模型（three）——RAG与Agent设计——Langchain-OutputParser输出解析器

news 2025/11/11 7:21:47

1. Langchain-OutputParser输出解析器

1.1 OutputParser输出解析器是什么？

Langchain中的OutputParser是用于解析LLM（大语言模型）返回的文本结果的组件。

因为大模型通常会返回非结构化的自然语言，而在实际应用中，我们需要从这些文本中提取出特定的信息并进行后续处理。

“非结构化的自然语言”指的是由人以自由形式编写的文字，这些文字没有遵循任何特定的数据格式或规则。这种类型的文本信息包含了人类日常交流中使用的所有复杂性和变化性，包括但不限于语法、语义、上下文含义等。由于缺乏预定义的格式，这类文本对于计算机处理来说往往比较困难。

因此，OutputParser的作用就是将模型的输出解析成可编程的结构化数据，如列表、字典或特定的Python对象。

假设有一个大语言模型被用来回答用户的问题：“北京的天气怎么样？” 模型可能返回以下的回答：

  • “北京今天天气晴朗，气温适中，建议外出活动。”
  • “目前北京的天气非常好，阳光明媚，温度大约在20度左右。”

这两个回答虽然提供了相似的信息，但是表达方式不同，而且没有遵循固定的格式。如果应用程序需要从中提取具体的天气数据（比如温度、天气状况），就需要一个OutputParser来解析这段文本，并将其转换为结构化的格式，例如JSON对象：

{"city": "北京","weather": "晴朗","temperature": "20度","suggestion": "建议外出活动"
}

通过OutputParser，开发者可以方便地将LLM生成的内容转换为更适合编程的形式，使得与大模型的交互更加高效且可靠。

1.2 Langchain使用OutputParser

1.2.1 列表解析器

列表解析器用于将LLM输出的文本解析为Python列表格式。

比如，当LLM返回一个包含项目的自然语言段落时，我们可以通过列表解析器将其转换为Python的list类型，以便于后续处理。

列表解析器代码

partial_variables 是一个字典，其中键是模板中变量的名称，值是这些变量的固定值。这些变量在模板渲染时会被自动替换，而不需要在每次调用 format 方法时传递它们。

formatted_prompt发现，其实是修改了prompt给到大模型，让大模型能够理解prompt并输出。

跳转到 CommaSeparatedListOutputParser 下的 parse() 发现就是将用逗号输出的结果使用split解析成列表。

#列表解析器
from langchain_openai import ChatOpenAI
#导入列表解析器
from langchain.output_parsers import  CommaSeparatedListOutputParser
##导入模板
from langchain_core.prompts import PromptTemplate
#构建聊天模型openai形式
chat_model=ChatOpenAI(openai_api_key="sk-bhpqpryfyiszcqwugbmjgvvccultcovcgbfbvauxnbbfkcdo",  # 替换为你的实际API密钥base_url="https://api.siliconflow.cn/v1",model="Qwen/Qwen2.5-7B-Instruct"
)
#实例化 逗号分隔的列表解析器
parser=CommaSeparatedListOutputParser()
# 1.step 构建模板
prompt=PromptTemplate(template="回答用户问题。\n{format_instructions}\n{query}\n",input_variables=["query"],#获取解析器提示词partial_variables={"format_instructions":parser.get_format_instructions()}
)
#输入内容进行替换里面的变量
formatted_prompt=prompt.format(query="列出5种水果")
#使用模型生成响应
response=chat_model.invoke(formatted_prompt).content
#对结果进行解析
output=parser.parse(response)
# 打印输出结果
print(output)

1.2.2 datetime解析器

datetime解析器用于解析包含日期和时间的LLM输出。它可以将LLM返回的时间字符串转化为Python的datetime对象，从而便于进一步的时间计算和操作。

datetime解析器代码
#列表解析器
from langchain_openai import ChatOpenAI
#导入列表解析器
from langchain.output_parsers import  DatetimeOutputParser
##导入模板
from langchain_core.prompts import PromptTemplate
#构建聊天模型openai形式
chat_model=ChatOpenAI(openai_api_key="sk-bhpqpryfyiszcqwugbmjgvvccultcovcgbfbvauxnbbfkcdo",  # 替换为你的实际API密钥base_url="https://api.siliconflow.cn/v1",model="Qwen/Qwen2.5-7B-Instruct"
)
#实例化 逗号分隔的列表解析器
parser=DatetimeOutputParser()
# 1.step 构建模板
prompt=PromptTemplate(template="回答用户问题。\n{format_instructions}\n{query}\n",input_variables=["query"],#获取解析器提示词partial_variables={"format_instructions":parser.get_format_instructions()}
)
#输入内容进行替换里面的变量
formatted_prompt=prompt.format(query="香港回归时间")#提问query需要输入和时间相关的内容
#使用模型生成响应
response=chat_model.invoke(formatted_prompt).content
#对结果进行解析
output=parser.parse(response)
# 打印输出结果
print(output)

1.2.3 枚举解析器

枚举解析器用于将LLM的输出解析为预定义的枚举值。它通常用于限定LLM输出的范围，并确保返回的结果符合特定的枚举选项。

枚举解析代码
from langchain_openai import ChatOpenAI
#导入枚举解析器
from langchain.output_parsers import EnumOutputParser
#导入模板
from langchain_core.prompts import PromptTemplate
from  enum import Enum #导入枚举
#构建聊天模型openai形式
chat_model=ChatOpenAI(
openai_api_key="sk-guhfryjjlfzlgpvmgzhqmpscibbfnsppglgpstvjpfnklbge",  # 替换为你的实际API密钥
base_url="https://api.siliconflow.cn/v1",
model="Qwen/Qwen2.5-7B-Instruct"
)
#定义枚举
class Color(Enum):RED = "red"BLUE = "blue"YELLOW = "yellow"PURPLE = "purple"BLACK= "black"# 解析大模型的输出为枚举解析器
#实例化:枚举解析器
parser=EnumOutputParser(enum=Color)
# 1.step 构建模板
prompt=PromptTemplate(template="回答用户问题。请直接输出颜色的名称，如‘red’，‘blue’或yellow\n{format_instructions}\n{query}\n",input_variables=["query"],#获取解析器提示词partial_variables={"format_instructions":parser.get_format_instructions()}, # 获取解析器提示词
)
print(f"parser.get_format_instructions(): {parser.get_format_instructions()}")
formatted_prompt=prompt.format(query="黑色的头发是什么颜色？")#提问query需要输入和时间相关的内容
#生成响应
response=chat_model.invoke(formatted_prompt).content
#解析响应
output=parser.parse(response)
# 打印输出结果
print(output)

1.2.4 结构化输出解析器

结构化输出解析器用于解析具有特定结构的LLM输出，如JSON、CSV等。它可以预定义输出的结构，并确保LLM的输出能够符合该结构化格式。

结构化解析代码
from langchain_openai import ChatOpenAI
#导入枚举解析器
from langchain.output_parsers import StructuredOutputParser,ResponseSchema
#导入模板
from langchain_core.prompts import PromptTemplate
#构建聊天模型openai形式
chat_model=ChatOpenAI(
openai_api_key="sk-bhpqpryfyiszcqwugbmjgvvccultcovcgbfbvauxnbbfkcdo",  # 替换为你的实际API密钥
base_url="https://api.siliconflow.cn/v1",
model="Qwen/Qwen2.5-7B-Instruct"
)#定义响应模式
response_schemas=[
ResponseSchema(name="weather",description="天气"),
ResponseSchema(name="event_name",description="事件名称"),
ResponseSchema(name="date",description="日期，格式为YYYY-MM-DD"),
ResponseSchema(name="city",description="南京")]#创建结构解析器
parser=StructuredOutputParser(response_schemas=response_schemas)
# 1.step 构建模板
prompt=PromptTemplate(template="回答用户问题。\n{format_instructions}\n{query}\n",input_variables=["query"],#获取解析器提示partial_variables={"format_instructions":parser.get_format_instructions()}, # 获取解析器提示词
)
# print(f"parser.get_format_instructions(): {parser.get_format_instructions()}")
formatted_prompt=prompt.format(query="北京奥运会是什么时候开幕的且当天的天气情况，在那个城市举办的？")#提问query需要输入和时间相关的内容
#生成响应
response=chat_model.invoke(formatted_prompt).content
#解析响应
output=parser.parse(response)
# 打印输出结果
print(output)

1.2.5 Pydantic（JSON）解析器

Pydantic解析器基于Pydantic库，用于将LLM的输出解析为JSON格式并转换为Pydantic模型。这种解析器特别适合需要将输出转化为特定的Python数据模型的场景，如处理API响应、数据库记录等。

假设有一个语言模型，该模型生成的输出是一个 JSON 字符串，表示用户的个人信息。使用 PydanticOutputParser 来解析这个 JSON 字符串并验证其格式。

当模型输出为：'{"id": 1, "name": "Alice", "email": "alice@example.com"}'时，被解析后：id=1 name='Alice' email='alice@example.com' is_active=True。

注意：Pydantic解析可能会出错解析器

代码解析器
from langchain_openai import ChatOpenAI
#导入枚举解析器
from langchain.output_parsers import PydanticOutputParser
#导入模板
from langchain_core.prompts import PromptTemplate
from pydantic import  BaseModel,Field
#定义模型的输出
class EventDetails(BaseModel):#id: int = Field(..., gt=0) ... 该符号表明这个字段是必需的，用户在实例化模型时必须为其提供值，否则会触发验证错误event_name:str=Field(description="事件名称")#Field主要作用描述或者校验功能或者初始化初始值date:str=Field(description="日期")city:str = Field(description="城市")#构建聊天模型openai形式
chat_model=ChatOpenAI(
openai_api_key="sk-bhpqpryfyiszcqwugbmjgvvccultcovcgbfbvauxnbbfkcdo",  # 替换为你的实际API密钥
base_url="https://api.siliconflow.cn/v1",
model="Qwen/Qwen2.5-7B-Instruct"
)# 创建Pydantic输出解析器
parser=PydanticOutputParser(pydantic_object=EventDetails)
# 1.step 构建模板
prompt=PromptTemplate(template="回答用户问题。\n{format_instructions}\n{query}\n",input_variables=["query"],#获取解析器提示词partial_variables={"format_instructions":parser.get_format_instructions()}, # 获取解析器提示词
)
# print(f"parser.get_format_instructions(): {parser.get_format_instructions()}")
formatted_prompt=prompt.format(query="北京奥运会是什么时候开幕？，那个城市")#提问query需要输入和时间相关的内容
#生成响应
response=chat_model.invoke(formatted_prompt).content
#解析响应
output=parser.parse(response)
# 打印输出结果
print(output)
http://www.dtcms.com/a/592513.html

相关文章：

  • LSTM核心参数与输入输出解读
  • 【机器学习算法】面试中的ROC和AUC
  • OSPF中的cost值
  • 《场景化落地：用 Linux 共享内存解决进程间高效数据传输问题（终篇）》
  • 襄阳建设网站首页向网站服务器上传网页文件下载
  • 视频去动态水印软件HitPaw安装和使用教程
  • O2OA（翱途）开发平台 v9.5 前端框架设计｜开放 · 安全 · 可控 · 信创优选
  • CMakeList 中 PUBLIC 和 PRIVATE的区别
  • langchain 环境搭建
  • 捷讯官网 网站建设中小型企业网站大全
  • 《算法闯关指南：优选算法--位运算》--36.两个整数之和，37.只出现一次的数字 ||
  • 素材网站开发做流量网站挂广告还能挣钱吗
  • 学习OPC UA，连接OPC UA服务器
  • 从零开始：构建你的第一个MCP服务器
  • 数据结构之二叉树-堆
  • BridgeVLA 对比 pi 0.5 有提升吗
  • 深度学习 ：python水下海洋生物识别检测系统 Yolo模型 PyTorch框架 计算机 ✅
  • COM_QueryInterface
  • DeepSeek-OCR全面解析：技术原理、性能优势与实战指南
  • WebKit Insie: WebKit 调试(二)
  • 网站建设需求材料推广网店的途径和方法
  • 排名优化网站沈阳中小企业网站制作
  • 从0到1：兰亭妙微如何用“小程序思维”重构用户体验路径
  • AI重构天猫双11，一场新的效率革命
  • 智慧园区：数字中国的“微缩实验室”如何重构城市未来
  • 新技术如何重构AI营销获客的底层逻辑与竞争格局
  • [论文阅读] AI+ | AI重构工业数字孪生！新一代iDTS破解数据稀缺、智能不足难题，附3大落地案例
  • 京东的一次范围经济尝试，却改变了汽车营销游戏规则
  • 圆柱电池Pack生产线的极性与质量守护：视觉检测系统把好安全关
  • 【大数据技术03】机器学习与算法