LangChain输出解析器
在实际应用中，可能会用到需要将AI输出的结果继续询问AI的情况，此时，如果直接进行链式调用
chain = prompt | model | model
构建的链完全符合要求（参与的组件都是Runnable接口的子类）
但是运行会报错
ValueError: Invalid input type <class 'langchain_core.messages.ai.AIMessage'>. Must be a PromptValue, str, or list of BaseMessages.
错误的主要原因：
- prompt的结果是PromptValue类型，输入给了model
- model的输出结果是：
AIMessage
模型（ChatTongyi）源码中关于invoke方法明确了input类型：
- PromptValue、str、Sequence
model的输出不符合要求，需要使用输出解析器做类型转换
StrOutputParser字符串输出解析器
StrOutputParser是LangChain内置的简单字符串解析器
- 可以将
AIMessage解析为简单的字符串，符合了模型invoke方法要求（可传入字符串，不接受AIMessage类型） - 是
Runnable接口子类（可以加入链）
parse = StrOutputParser()
chain = prompt | model | parse | model
调用示例：
from langchain_core.prompts import PromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_community.chat_models.tongyi import ChatTongyimodel = ChatTongyi(model="deepseek-v3.2")prompt = PromptTemplate.from_template("请你扮演一个诗人，写一首关于{topic}的诗，要求简短且押韵。"
)parser = StrOutputParser()chain = prompt | model | parser | model | parser
res = chain.invoke({"topic": "春天"})
print(res)
JsonOutputParser与多模型执行链
在上一个示例中：
chain = prompt | model | parser | model | parser
这种多模型链的做法并不标准，因为在上一个模型的输出，没有被处理就输入下一个模型
正常情况下，我们应当由如下处理逻辑
- 即上一个模型的输出结果，应该作为提示词模板的输入，构建下一个提示词，用来二次调用模型
根据输出和输入的要求：
- 模型的输出为：
AIMessage对象 - 提示词模版要求输入字典
所以我们需要完成：
将模型输出的AIMessage，转为字典，再注入第二个提示词模板中，形成新的提示词（PromptValue对象）
StrOutputParser不满足将AIMessage转为字典(Dict)，需要更换为JsonOutputParser
以下是结合FewShotPromptTemplate完成的多模型链
from langchain_core.prompts import PromptTemplate, FewShotPromptTemplate
from langchain_core.output_parsers import StrOutputParser, JsonOutputParser
from langchain_community.chat_models.tongyi import ChatTongyimodel = ChatTongyi(model="deepseek-v3.2")example_prompt = PromptTemplate.from_template(""""name": "{full_name}""""
)
example_data = [{"full_name": "张若楠"},
]first_prompt = FewShotPromptTemplate(examples=example_data,example_prompt=example_prompt,prefix="我的邻居姓{lastname}, 刚生了{gender}, 帮忙起个名字，并封装到Json格式返回给我， 对于输出有如下示例：",suffix="输出请严格按照示例的Json格式 不要有多余字符与文本",input_variables=["lastname", "gender"],
)second_prompt = PromptTemplate.from_template("姓名{name}, 请简要解析含义。简单介绍即可"
)str_parser = StrOutputParser()
json_parser = JsonOutputParser()chain = first_prompt | model | json_parser | second_prompt | model | str_parser
res = chain.invoke({"lastname": "张", "gender": "女儿"})
print(res)
自定义函数解析器 RunnableLambda
chain = first_prompt | model | json_parser | second_prompt | model | str_parser
代码中使用了JsonOutputParser以及StrOutputParse解析器，但对于一些特殊的转换，无法使用以上两种解析器实现
我们可以自己编写Lambda匿名函数来完成自定义逻辑的数据转换，要完成这个功能，要基于RunnableLambda类实现
RunnableLambda是LangChain内置的，将普通函数等转换为Runnable接口实例，方便自定义函数加入chain中
语法：
RunnableLambda(函数对象或lambda匿名函数)
from langchain_core.prompts import PromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnableLambda
from langchain_community.chat_models.tongyi import ChatTongyimodel = ChatTongyi(model="deepseek-v3.2")first_prompt = PromptTemplate.from_template("我的邻居姓{lastname}, 刚生了{gender}, 帮忙起1个名字,仅告知名字，不要额外信息"
)second_prompt = PromptTemplate.from_template("姓名{name}, 请简要解析含义。简单介绍即可"
)str_parser = StrOutputParser()my_func = RunnableLambda(lambda ai_msg: {"name": ai_msg.content})chain = first_prompt | model | my_func | second_prompt | model | str_parser
for chunk in chain.stream({"lastname": "张", "gender": "女儿"}):print(chunk, end='', flush=True)
函数直接入链
chain = first_prompt | model | lambda ai_msg: {"name": ai_msg.content}| second_prompt | model | str_parser
跳过RunnableLambda类，直接让函数加入链也是可以的 因为Runnable接口类在实现__or__的时候，支持Callable接口实例
函数就是Callable接口的实例 其本质是将函数自动转换为RunnableLambda