资讯详情

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)