LangChain 专题7 输出解析器

此处所指的信息是解析器，它们从模型获取文本输出尝试将其解析为一个更结构化的表示。 越来越多的模型支持函数（或工具）调用，此类调用会自动处理这一问题。 建议使用函数/工具调用而不是输出解析。

输出解析器（Output parser）负责获取模型的输出并将其转换为更适合下游任务的格式。 当您使用 LLM 生成结构化数据或规范化聊天模型和 LLM 的输出时，此功能非常有用。

LangChain 有许多不同类型的输出解析器。这是 LangChain 支持的输出解析器列表。下表包含各种信息：

  • 名称：输出解析器的名称
  • 是否支持流式：输出解析器是否支持流式。
  • 是否包含格式指令：输出解析器是否包含格式指令。这通常是可用的，除非（a）所需的模式在提示中而不是在其他参数（如 OpenAI 函数调用）中指定， 或者（b）当 OutputParser 包装另一个 OutputParser 时。
  • 能否调用 LLM：此输出解析器本身是否 LLM。这通常只由试图纠正格式错误的输出解析器来做。
  • 输入类型：预期输入类型。大多数输出解析器都可以处理字符串和消息，但有些（如 OpenAI 函数）需要带有特定关键字参数的消息。
  • 输出类型：解析器返回的对象类型。
  • 描述：我们对该输出解析器的评论以及何时使用它的说明。
名称 是否支持流式 是否包含格式指令 能否调用 LLM 输入类型 输出类型 描述
Str ✅ str | Message String 从消息对象解析文本。适用于处理消息内容的可变格式（例如，从内容块中提取文本）。
JSON ✅ ✅ str | Message JSON object 返回指定的 JSON 对象。您可以指定一个 Pydantic 模型，它将返回该模型的 JSON。可能是获取不使用函数调用的结构化数据的最可靠的输出解析器。
XML ✅ ✅ str | Message dict 返回标签字典。需要 XML 输出时使用。与擅长编写 XML 的模型（如 Anthropic 的模型）一起使用。
CSV ✅ ✅ str | Message List[str] 返回以逗号分隔的值的列表。
OutputFixing ✅ str | Message 包装另一个输出解析器。如果该输出解析器出错，则这将把错误消息和错误输出传递给 LLM，并要求其修复输出。
RetryWithError ✅ str | Message 包装另一个输出解析器。如果该输出解析器出错，则这将把原始输入、错误输出和错误消息传递给 LLM 并要求其修复。与 OutputFixingParser 相比，这个还会发送原始指令。
Pydantic ✅ str | Message pydantic.BaseModel 采用用户定义的 Pydantic 模型并以该格式返回数据。
YAML ✅ str | Message pydantic.BaseModel 采用用户定义的 Pydantic 模型并以该格式返回数据。使用 YAML 对其进行编码。
PandasDataFrame ✅ str | Message dict 对于使用 pandas DataFrames 进行操作很有用。
Enum ✅ str | Message Enum 将响应解析为提供的枚举值之一。
Datetime ✅ str | Message datetime.datetime 将响应解析为日期时间字符串。
Structured ✅ str | Message Dict[str, str] 返回结构化信息的输出解析器。它的功能不如其他输出解析器强大，因为它只允许字段为字符串。当您使用较小的 LLM 时，这会很有用。

StrOutputParser 使用示例

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21

from langchain_core.messages import HumanMessage, SystemMessage
from langchain_core.output_parsers import StrOutputParser
from langchain_openai import ChatOpenAI

api_key = '<your_openai_api_key>'
model_name = 'gpt-4o-mini'

# api key 也可以通过环境变量 OPENAI_API_KEY 获取
model = ChatOpenAI(model=model_name, api_key=api_key)

messages = [
    SystemMessage(content="Translate the following from English into Italian"),
    HumanMessage(content="hi!"),
]

chain = model | StrOutputParser()
output = chain.invoke(messages)
print(type(output))
# <class 'str'>
print(output)
# Ciao!