Okay，咱来写一篇关于 LangChain 输出解析器的文章，尽量让它像老友唠嗑一样，别太 stiff。

Hey，各位！Zui近在用 LangChain 玩转大模型，发现有时候模型给的输出不是那么直接，得自己再转化一下。这篇就来聊聊怎么把模型的输出变成你真正需要的数据，就像把一堆零件组装成你的玩具一样。

Model I/O 的第三环：输出解析器

咱们先说说 Model I/O 的三个阶段。第一是 Input ，告诉模型你想干嘛；第二是 Model ，模型帮你生成回复；第三就是 Output 解析器了。简单来说就是让模型吐出来的东西变得geng容易用。

为什么百度不收录？

说到输出解析器，我以前也遇到过一个问题：有些时候 LangChain 的代码提交到网站上以后百度不收录。这可Neng跟网页结构没对准有关，或者 SEO 方面的问题没注意。不过这和我们的主题不太相关啦。

什么是输出解析器？

输出解析器就像一个翻译官，负责把模型生成的文本转换成你需要的格式。你Ke以想象成这样：模型给你一个“苹果、香蕉、橙子”的列表，输出解析器帮你整理成“水果列表：苹果, 香蕉, 橙子”，这样下游程序就Neng直接用了。

常用输出解析器

StrOutputParser: Zui简单！直接吐字符串就行。适合聊天机器人、生成文档之类的场景。

JsonOutputParser: Ru果你要处理 JSON 数据，这个就hen方便了。

PydanticOutputParser: 厉害了！Ke以定义 Pydantic 模型来校验和格式化数据。

CommaSeparatedListOutputParser: 逗号分隔列表模式哦！

with_structured_output vs. PydanticOutputParser

llm.with_structured_output

其实挺简单的：指定希望的模型结构，然后让 LLM 直接按照这个结构生成结果。

Field 常规用法 from pydantic import BaseModel, Field, RootModel# Animal / AnimalArray 定义同上一节... 说明一下：Field 是用来定义字段类型的，告诉 LLM 每个字段的格式要求。使用的时候记得从 pydantic 里导入哦！

例子

from langchain.prompts import ChatPromptTemplatefrom langchain.llms import init_chat_modelfrom langchain.output_parsers import JsonOutputParserfrom langchain.chains import LLMChain# 创建一个 prompt template# 定义 Animal 模型class Animal:    name: str = Field    emoji: str = Field    age: int = Field# 创建 parsersparser = JsonOutputParser# 创建 chainllm = init_chat_modelprompt = ChatPromptTemplate.from_messages,])chain = LLMChainresult = chain.invokeprint  # {'name': '狗', 'emoji': '🐶', 'age': 5}

这个例子展示了如何定义 Pydantic 模型并使用 `JsonOutputParser` 来获取结构化的 JSON 数据。 当然也Ke以用 with_structured_output 方法简化这个过程。 另外Ru果想用逗号分隔的列表呢？那就要用到 CommaSeparatedListOutputParser 了。 要记住的是在 Prompt 中明确指定格式说明才Neng让 LLM 按照预期生成数据。 别忘了根据实际情况调整模型的字段类型和约束条件哦!

总而言之，LangChain 的输出解析器是把模型生成的“垃圾”变成“金矿”的关键步骤之一。掌握好它们Neng让你geng高效地利用大模型的Neng力。

---