LangChain输出解析器实战：从大模型输出到结构化数据的转化

—看起来简单，但却是很多AI应用的基础操作，毕竟很多场景下，我们只需要干净的文本输出，无需多余格式。

我们用一个简单的案例来演示，比如让大模型扮演“笑话大王”，输出一个笑话，再用StrOutputParser解析结果。具体代码如下，每一步都标注了核心作用，大家可以直接复制实操：

from langchain_core.prompts import ChatPromptTemplate from langchain_core.output_parsers import StrOutputParser # 定义提示词模板，指定大模型的角色和用户输入 prompt = ChatPromptTemplate.from_messages( [ {"role": "system", "content": "你是一个笑话大王"}, {"role": "user", "content": "{new_input}"} ] ) # 传入用户输入，生成完整的提示词 prompt_value = prompt.invoke( { "new_input": "讲一个笑话" } ) # 调用大模型，获取原始输出 res = llm.invoke(prompt_value, config=config) # 初始化解析器，解析大模型输出为纯文本 parser = StrOutputParser() result = parser.invoke(res) # 打印解析后的结果 print(result)

运行这段代码后，大家会发现，大模型的输出会被解析成一段干净的纯文本，没有任何多余的格式，刚好能满足应用程序对字符串输入的需求。

除了常规的一次性输出，实际开发中我们还常会用到流式输出——比如让大模型的回复像聊天一样逐字显示，提升用户体验。这种情况下，StrOutputParser同样适用，只需要稍微调整代码，就能实现流式解析。

流式输出的处理代码如下，重点在于用stream方法调用大模型，再用解析器的transform方法逐块解析流式数据：

from langchain_core.prompts import ChatPromptTemplate from langchain_core.output_parsers import StrOutputParser # 提示词模板和之前一致，指定大模型角色 prompt = ChatPromptTemplate.from_messages( [ {"role": "system", "content": "你是一个笑话大王"}, {"role": "user", "content": "{input}"} ] ) # 传入用户输入，生成提示词 prompt_value = prompt.invoke( { "new_input": "讲一个笑话" } ) # 用stream方法调用大模型，获取流式输出 res = llm.stream(prompt_value, config=config) # 初始化解析器，逐块解析流式数据并打印 parser = StrOutputParser() for chunk in parser.transform(res): print(chunk, end="", flush=True)

这里有个小细节需要注意：print语句里的end=""和flush=True，是为了让解析后的内容逐字连续显示，不会出现换行或卡顿的情况，完美还原流式输出的效果。