常见解析器分类:
| 解析器 | 最终结果 | 适用场景 | 说明 |
| StrOutputParser | 字符串 str |
只需要展示文本，不需要拆字段 | 最简单，通常就是取出模型输出正文内容 |
| JsonOutputParser | Python dict / list |
希望模型返回 JSON，再交给程序继续处理 | 适合字段抽取、接口返回、工作流参数传递 |
| PydanticOutputParser | Pydantic 对象 | 需要强类型和运行时校验 | 适合对字段类型、长度、范围有明确要求的业务场景 |
schema: 可以看成“数据结构说明书”或“输出格式规范”。有点像ts的约束
结构化输出的本质，就是先定义 schema，再让模型按这个 schema 输出结果
常见结构化输出:
| 方案 | 定义方式 | 最终结果 | 是否支持运行时校验 | 适用场景 |
| TypedDict | Python 标准库 typing.TypedDict |
dict | 否 | 只需要固定字段结构，不需要严格校验 |
| Pydantic | BaseModel + Field(...) |
Pydantic 对象 | 是 | 需要强类型、范围、长度、必填项校验 |
| JSON Schema | 标准 JSON Schema 字典 | 通常为 dict |
视具体实现而定 | 需要跨语言、跨系统共享结构协议 |
在 LangChain 中，这些结构通常会和下面这种方式配合使用：
model.with_structured_output(...)TypedDict/Pydantic/JSON Schema是“定义输出结构”的方式；with_structured_output(...)是“让模型按这个结构输出并自动解析”的入口。
区分结构化输出和输出解析器
- 输出解析器：更强调“模型已经输出了，我怎么把它转成程序可用的数据”；
- 结构化输出：更强调“在模型输出之前，我先规定好它应该长什么样”。
方式一(只用输出解析器):
from langchain_core.output_parsers import JsonOutputParserparser = JsonOutputParser()
result = model.invoke("你是谁")
data = parser.invoke(result)print(data)
# 让模型生成结果，再由 parser 负责解析方式二(只用结构化输出):
from typing import TypeDictclass Person(TypeDict):name: strage: intstructured_model = model.with_structured_output(Person)
result = structured_model.invoke("请返回一个任务信息")
print(reuslt)#不需要单独手写 parser，而是由 with_structured_output(...) 统一完成“约束输出 + 自动解析”
#更适合现代模型已经支持原生结构化输出的场景方式三(结构化输出+额外校验处理):
structured_model = model.with_structed_output(Person)
result = structured_model.invoke("请返回一个人物信息")# 这里可以继续做业务校验、入库前清洗、字段转换等处理
print(reuslt)