outputParser

OutputParser 作用与意义

在实际应用中，LLM 返回的通常是非结构化文本，而我们的业务逻辑往往需要结构化数据（如字典、列表、对象等）。OutputParser 就是用来桥接 LLM 输出与业务需求的。

常用 OutputParser 介绍

1️⃣ StrOutputParser

• 作用：最基础的解析器，直接返回 LLM 的原始字符串输出。

• 适用场景：只需要原始文本，不做进一步结构化处理时。

• 示例代码：

2️⃣ CommaSeparatedListOutputParser

• 作用：将 LLM 输出的逗号分隔字符串解析为 Python 列表。

• 适用场景：让 LLM 输出一组项目时（如关键词、标签等）。

• 示例代码：

  注意：确保 LLM 输出的格式与预期一致，否则解析可能失败。

3️⃣ JsonOutputParser

• 作用：将 LLM 输出的 JSON 字符串解析为 Python 对象（如 dict）。

• 适用场景：需要 LLM 输出结构化 JSON 数据时。

• 示例代码：

  重点：强烈建议在 prompt 中明确要求 LLM 输出合法的 JSON 格式。

  以下类似的输出也可以成功解析：

  AIMessage(content='```json\n{"name": "张三", "age": 18}\n```')
  AIMessage(content='输出：```json\n{"name": "张三", "age": 18}\n```')
  

4️⃣ PydanticOutputParser

• 作用：基于 Pydantic 模型，将 LLM 输出解析为强类型对象。

• 适用场景：需要类型校验和更复杂结构时。

• 示例代码：

  重点：PydanticOutputParser 能自动校验字段类型，大大提升数据安全性。在模型外的数据也可以被过滤掉

  from langchain.output_parsers import PydanticOutputParser
  from pydantic import BaseModel
  
  class Person(BaseModel):
      name: str
      age: int
  
  parser = PydanticOutputParser(pydantic_object=Person)
  result = parser.invoke('输出：```json\n{"name": "张三", "age": 18, "gender": "男"}\n```')
  print(result)  # 输出: Person(name='张三', age=18)
  

  注意：PydanticOutputParser 需要安装 pydantic 库。

  通过 get_format_instructions() 可以获取生成约定结构的提示词，在给AI的提示词里加入这个提示词，就可以得到相应的输出了

5️⃣ OutputFixingParser

• 作用：当解析失败时，自动重试（如让 LLM 重新输出）。

• 适用场景：LLM 输出不稳定、偶尔格式错误时。

• 示例代码：

  重点：提升健壮性，但会增加调用次数和成本。