小白从零开始勇闯人工智能：LangChain 入门指南（下）

1、输出解析器

模型返回的内容通常是字符串，但我们往往希望得到结构化的数据（如列表、JSON）。LangChain 的输出解析器可以将模型输出解析成 Python 对象。

1、列表解析器

通过LangChain框架构建了一个结合输出解析器：首先创建解析器并获取其格式说明作为系统提示，然后定义聊天提示模板，其中系统消息嵌入解析器指令，人类消息要求列出指定国家的五个汽车品牌；接着用“中国”和解析指令填充模板，调用qwen-plus模型生成回答，最后打印原始输出并通过解析器将逗号分隔的内容转换为列表。

from langchain_openai import ChatOpenAI from langchain.output_parsers import CommaSeparatedListOutputParser from langchain.prompts import ChatPromptTemplate output_parser = CommaSeparatedListOutputParser() parser_instructions = output_parser.get_format_instructions() print(parser_instructions)

get_format_instructions() 会返回一段说明文字，告诉模型应该以何种格式输出。

prompt = ChatPromptTemplate.from_messages([ ("system", "{parser_instructions}"), ("human", "列出5个{subject}国家的汽车品牌。") ]) final_prompt = prompt.invoke({ "subject": "中国", "parser_instructions": parser_instructions }) model = ChatOpenAI( model="qwen-plus", openai_api_key="你的API_KEY", openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1" ) response = model.invoke(final_prompt) print(response.content) # 例如：比亚迪, 吉利, 长城, 蔚来, 小鹏 # 使用解析器将字符串转为列表 result = output_parser.invoke(response) print(result) # ['比亚迪', '吉利', '长城', '蔚来', '小鹏']

这样我们就得到了一个干净的 Python 列表，便于后续处理。

2、JSON 解析器

对于更复杂的数据结构，可以使用基于 Pydantic 的解析器，定义好期望的 JSON 格式，模型就会按此格式返回 JSON。

通过LangChain框架结合Pydantic输出解析器，首先定义了一个包含电影名、导演和题材字段的FilmInfo数据模型，然后创建PydanticOutputParser实例并获取其格式指令作为系统提示。接着构建聊天提示模板，要求模型从给定的电影概述中提取信息并用中文输出。调用模型生成回答，最后通过解析器将模型输出转换为结构化的FilmInfo对象。

from typing import List from langchain.output_parsers import PydanticOutputParser from langchain.prompts import ChatPromptTemplate from langchain_core.pydantic_v1 import BaseModel, Field # 定义我们期望的数据结构 class FilmInfo(BaseModel): film_name: str = Field(description="电影的名字", example="拯救大兵瑞恩") author_name: str = Field(description="电影的导演", example="斯皮尔伯格") genres: List[str] = Field(description="电影的题材", example=["历史", "战争"]) output_parser = PydanticOutputParser(pydantic_object=FilmInfo) print(output_parser.get_format_instructions())

这段输出会告诉模型：你需要返回一个 JSON 对象，包含 film_name、author_name、genres 字段，并给出 JSON schema。

接着构造提示：

prompt = ChatPromptTemplate.from_messages([ ("system", "{parser_instructions} 你输出的结果请使用中文。"), ("human", "请你帮我从电影概述中，提取电影名、导演，以及电影的体裁。电影概述会被三个#符号包围。\n###{film_introduction}###") ]) film_introduction = """ 《唐人街探案》是由万达影视传媒有限公司、上海骋亚影视文化传媒有限公司出品，湖南芒果娱乐有限公司、合一影业有限公司等联合出品，陈思诚执导，陈思诚、程佳客、刘凯、白鹤编剧，王宝强、刘昊然领衔主演，陈赫、佟丽娅、肖央、小沈阳特别出演，金士杰、董成鹏、张国强友情出演的喜剧电影 [67]。该片于2015年12月31日在中国上映 [69-70]。2025年4月30日19:30在江苏卫视播出。 [80] 该片讲述了唐仁、秦风必须在躲避警察追捕、匪帮追杀、黑帮围剿的同时，在短短七天内，完成找到“失落的黄金”、查明“真凶”、为自己“洗清罪名”这些“逆天”任务的故事 [69]。 该片获得第73届威尼斯国际电影节“威尼斯日”特别推荐、“观众票选最受瞩目电影奖”、“东京电影节展映” [1] [72]，截至2024年5月8日，该片累计票房82333.7万元 [71]。 """ final_prompt = prompt.invoke({ "film_introduction": film_introduction, "parser_instructions": output_parser.get_format_instructions() }) model = ChatOpenAI( model="qwen-plus", openai_api_key="你的API_KEY", openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1" ) response = model.invoke(final_prompt) print(response.content)

使用解析器提取为 FilmInfo 对象：

result = output_parser.invoke(response) print(result) # FilmInfo(film_name='唐人街探案', author_name='陈思诚', genres=['喜剧']) print(result.film_name) # 唐人街探案 print(result.genres) # ['喜剧']

5、链：将一切串联起来

前面我们都是分别调用 prompt、model、parser，但 LangChain 最强大的特性之一是可以使用 | 操作符将这些组件组合成一个链（Chain），然后一次性调用。

通过LangChain构建一个问答链，首先创建包含输出解析器格式指令的提示模板，并使用逗号分隔列表解析器，随后实例化ChatOpenAI模型。我们对比两种调用方式：传统方式通过多次嵌套invoke逐步执行提示填充、模型推理和结果解析；而链式调用使用管道符`|`将提示模板、模型和解析器组合成一个可执行链，直接传入输入参数即可获得解析后的列表。两种方式都可以输出结果，但链式写法更简洁直观。

from langchain_openai import ChatOpenAI from langchain.output_parsers import CommaSeparatedListOutputParser from langchain.prompts import ChatPromptTemplate prompt = ChatPromptTemplate.from_messages([ ("system", "{parser_instructions}"), ("human", "列出5个{subject}生产的汽车的品牌。") ]) output_parser = CommaSeparatedListOutputParser() parser_instructions = output_parser.get_format_instructions() model = ChatOpenAI( model="qwen-plus", openai_api_key="你的API_KEY", openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1" ) # 传统方式：嵌套调用 result_old = output_parser.invoke( model.invoke( prompt.invoke({"subject": "中国", "parser_instructions": parser_instructions}) ) ) # 使用链：使用管道符组合 chat_model_chain = prompt | model | output_parser result = chat_model_chain.invoke({"subject": "中国", "parser_instructions": parser_instructions}) print(result) # ['比亚迪', '吉利', '长城', '蔚来', '小鹏']

prompt | model | output_parser 创建了一个链，它接受输入字典，先交给 prompt 生成消息，然后交给 model 获取响应，最后交给 output_parser 解析。

调用链的 .invoke() 方法只需传入一个字典，内部自动完成整个流程。

通过这两篇文章的学习，我们已经了解了LangChain的五个核心概念。首先是模型，它提供了与底层大型语言模型进行交互的基础能力。其次是提示模板，用于动态构建系统消息和用户消息，以灵活地构造输入。第三是少量示例提示模板，通过提供示例来引导模型按照期望的格式生成输出。第四是输出解析器，能够将模型的输出解析为结构化的数据形式，例如列表或JSON对象。最后是链，它能够将多个组件无缝地组合在一起，形成复杂的任务处理流程。这些组件可以被组合使用，以构建各种AI应用，例如智能翻译、信息提取和格式化输出等实用工具。在此基础上，我们下一步将会继续探索LangChain的其他功能，包括内存（Memory）用于状态管理、代理（Agent）用于自主决策、文档加载器（Document Loaders）用于处理外部数据等，从而进一步扩展我们应用的能力。