前面调用模型时返回结果通常是一段自然语言。

但在 Agent 开发里很多结果不是给人直接看的，而是要继续交给程序处理。比如：

• 提取使用者资料
• 判断任务类型
• 生成工具参数
• 返回可保存的 JSON 数据

痛点时刻：你是否也遇到过模型返回的 JSON 包含了多余的 Markdown 代码块，导致 `json.loads` 直接报错？或者模型偶尔漏掉字段，让你的下游逻辑崩溃？

这时候就需要 Output Parser。

这一篇主要看这些内容：

JsonOutputParser -> PydanticOutputParser -> withstructuredoutput -> Parser / Tool / withstructuredoutput 的区别 -> 什么时候需要 Output Parser -> 流式输出 -> 非 JSON 格式

至于先记住一句话。Output Parser 的作用，是把模型返回的字符串解析成程序更好处理的数据。

为什么需要 Parser

最直接的想法是：在 Prompt 里要求模型返回 JSON，接下来自己 json.loads。

import json question = ( "请说一下勒布朗詹姆斯的信息。请以 JSON 格式返回，" 从"包含字段来看。name、birthyear、nationality、majorachievements。") ) 至于try，# . 先直接调用模型，拿到模型返回的文本 response = model.invoke print result = json.loads print except Exception as error: print json{ 说到"name"。"勒布朗·詹姆斯"}

这对人很友好，但对 json.loads 不友好。模型一旦多说一句解释性的话，程序就挂了。

Output Parser 解决的就是这类问题：

• 在 Prompt 里补充格式要求。
• 接收模型返回的原始文本。
• 解析出真正的对象。

JsonOutputParser

JsonOutputParser适合解析普通 JSON。按理说，

from langchaincore.outputparsers import JsonOutputParser

parser = JsonOutputParser

question = f"""请说一下勒布朗詹姆斯的信息。请以 JSON 格式返回，包含以下字段： - name：姓名 - birthyear：出生年份 - nationality：国籍 - majorachievements：主要成就。数组 {parser.getformatinstructions}"""

response = model.invoke

result = parser.parse print

这段代码里有三个关键点：

• JsonOutputParser创建 JSON 解析器。
• get_format_instructions拿到一段格式说明，放进 Prompt。
• parse把模型返回的字符串解析成对象。

这里的主要不是 parse 本身，而是 get_format_instructions。它会告诉模型尽量按可解析的 JSON 输出，减少自由发挥。

PydanticOutputParser

JsonOutputParser只能说“我要 JSON”。

PydanticOutputParser可以明“这个 JSON 长什么样”，并把结果解析成 Pydantic 对象。

from langchaincore.outputparsers import PydanticOutputParser from pydantic import BaseModel,Field class PlayerInfo: # Field 的 description 会进入格式说明。 帮助模型理解字段含义 从name来看，str = Field birthyear: int = Field nationality: str = Field majorachievements: list = Field

question = f"""请说一下勒布朗詹姆斯的信息。{parser.getformatinstructions}"""

response = model.invoke result = parser.parse print

痛点解决：当你的字段非常复杂时普通的 Prompt容易让模型写错类型。PydanticOutputParser 通过 Field 强制约束模型的输出逻辑，极大降低了幻觉概率。

with_structured_output

常规结构化输出，更推荐用模型的 with_structured_output。

from pydantic import BaseModel,Field class PlayerInfo: # Pydantic 模型就是结构化输出 再看name。str = Field birthyear: int = Field nationality: str = Field majorachievements: list = Field

structuredmodel = model.withstructured_output

result = structured_model.invoke print

• 写法更短。其实，
• schema 和模型绑定在一起。
• 支持 tool calling 或原生结构化输出的模型通常更稳定。

判断：优先 with_structured_output；需要手动控制 Prompt 或解析过程使用 Output Parser。话说回来，

底层大概做了什么

with_structured_output 可以理解成 LangChain 给结构化输出做的一层。它不是简单地帮你调用 parser.parse。而是把 schema 交给模型，让模型按结构化方式返回。

不同模型底层策略常见路线是：

• 支持原生结构化输出：优先
• 支持 tool calling：把 schema 转成“工具参数”形式
• 不支持这些能力：可能退回到提示词 + parser

它的缺点

with_structured_output 省事，但不是所有结构化场景都适合。主要缺点有几个：

• 它通常要等完整生成并解析之后才返回一个对象。
• 它不适合边生成边展示文本。

如果你只是拿结构化对象，with_structured_output 最省事；如果你需要控制生成或解析过程，回到 Output Parser。话说回来，

# includeraw=True 会同时原始消息和解析结果。适合调试 structuredmodel = model.withstructuredoutput response = structured_model.invoke print print print

学 Output Parser 不是为了替代 with_structured_output。说到更准确地说，Output Parser 主要用在 with_structured_output 实现不了或者实现起来不舒服的场景。

常见有三类这方面。

1. 需要实时展示文本，同时最终拿结构化对象。
2. 已经拿到一段模型返回的文本，后续程序还需要把它提取成 JSON / 对象。

流式输出

先看普通流式输出。

# 普通 stream 返回的是原始消息流 stream = model.stream fullcontent = "" for chunk in stream: # chunk.content 是本次流式返回的文本片段 content = chunk.content or "" fullcontent += content # 边接收边输出，就能形成实时展示效果 print

但如果使用 with_structured_output：stream 不再适合作为逐字文本流。

非 JSON 格式

Output Parser 不止处理 JSON。有些场景需要模型返回 XML 格式：

import xml.etree.ElementTree as ET

question = """提取以下文本中的信息。返回格式：阿尔伯特·爱因斯坦1879伟大的物理学家"""

root = ET.fromstring result = { 再看"name"，root.findtext,"birth_year": root.findtext,"occupation": root.findtext,} print

。

---