Langchain模块ModelIO组件输出解析器output parsers

 2025/12/02 

为什么需要输出解析器，因为调用大模型返回的内容并非给人看的，而是需要以特定的格式输出给其他的应用进行解析

解析器类型	输入示例	输出	适用场景
CommaSeparatedListOutputParser	“苹果,香蕉,橙子”	`['苹果', '香蕉', '橙子']`	简单列表提取
PydanticOutputParser	`{"name": "苹果", "color": "红"}`	`Fruit(name='苹果', color='红')`	结构化对象
StructuredOutputParser	“名称:苹果\n颜色:红”	`{'名称': '苹果', '颜色': '红'}`	键值对数据
JSONOutputParser	`{"items": ["苹果", "香蕉"]}`	`{'items': ['苹果', '香蕉']}`	JSON格式数据

在输入的时候通过prompt template进行输入：定义输出格式：字段与类型

llm在返回结果的时候，会通过输出分析器进行验证

from langchain.prompts import PromptTemplate,ChatMessagePromptTemplate,HumanMessagePromptTemplate,SystemMessagePromptTemplate
from langchain_deepseek import ChatDeepSeek
from langchain.output_parsers import PydanticOutputParser
from pydantic import BaseModel,Field,validator
from typing import List
from dotenv import load_dotenv

load_dotenv()
llm = ChatDeepSeek(model="deepseek-chat",streaming=True)

# 定义所需数据结构
class Joke(BaseModel):
    setup: str = Field(description="提出一个问题")
    punchline: str = Field(description="回答，生成一个笑话")
    
# 将Joke这个类赋给输出解析器
parser = PydanticOutputParser(pydantic_object=Joke)

# 
prompt = PromptTemplate(
    template="回应用户查询。\n{format_instructions}\n{query}\n",
    input_variables=["query"],
    partial_variables={"format_instructions": parser.get_format_instructions()}
)

# 构建一个查询，输入query变量
formatted_prompt = prompt.format_prompt(query="说一个笑话")
response = llm.invoke(formatted_prompt)

print(response.content)

# {
#     "setup": "为什么程序员总是分不清万圣节和圣诞节？",
#     "punchline": "因为 Oct 31 等于 Dec 25。"
# }

通过get_format_instructions指令在prompt阶段定义输出格式为list，并且定义输出分析器为CommaSeparatedListOutputParser

from langchain.output_parsers import CommaSeparatedListOutputParser
from langchain.prompts import PromptTemplate
from langchain_deepseek import ChatDeepSeek
from dotenv import load_dotenv

load_dotenv()
llm = ChatDeepSeek(model="deepseek-chat")

# 创建一个列表输出解析器
output_parser = CommaSeparatedListOutputParser()
format_instructions = output_parser.get_format_instructions()

# 提示模板,并定义应该如何输出结果（引用format_instructions
prompt = PromptTemplate(
    template="列出五种{subject}。\n{format_instructions}",
    input_variables=["subject"],
    partial_variables={"format_instructions": format_instructions}
)

formatted_prompt = prompt.format(subject="水果")

print(output_parser.parse(llm.invoke(formatted_prompt).content))

# ['苹果', '香蕉', '橙子', '草莓', '葡萄']

outputfixing parser是特殊的输出解析器。如果原始的解析器无法解析输入的字符串，就会使用一个语言模型来修复输入的字符串，使其能够被原始解析器解析

from langchain.prompts import PromptTemplate
from langchain_deepseek import ChatDeepSeek
from langchain.output_parsers import PydanticOutputParser
from pydantic import BaseModel,Field
from typing import List
from dotenv import load_dotenv
from langchain.output_parsers import OutputFixingParser

load_dotenv()

class Actor(BaseModel):
    name: str = Field(description="演员名称"),
    film_name: List[str] = Field(description="主演过的电影列表")
    
# 创建一个输出解析器，用于解析actor
parser =  PydanticOutputParser(pydantic_object=Actor)

# 定义一个错误格式化的字符串
misformatted = '{"name": "甄子丹", "film_name": ["叶问","龙虎门"]}'

fix_formatted = OutputFixingParser.from_llm(parser=parser,llm=ChatDeepSeek(model="deepseek-chat"))

print(fix_formatted.parse(misformatted))

# name='甄子丹' film_name=['叶问', '龙虎门']

原文链接：https://akemi.zj.cn/2025/12/02/Langchain-ModelIO-outputparsers/

发表日期：December 2nd 2025, 7:13:12 pm

更新日期：December 2nd 2025, 7:13:34 pm

1. 格式化输出-定义输出格式json
2. 格式化输出-定义输出类型list
3. 自动修复解析器auto-fixing parser

Langchain模块ModelIO组件输出解析器output parsers

格式化输出-定义输出格式json

格式化输出-定义输出类型list

自动修复解析器auto-fixing parser