LangChain输出解析器：把模型回复变成你要的数据

作者：袖梨 2026-06-09

LangChain 输出解析器：把模型回复变成你要的数据

读完你会什么

上一篇学了 Input（模板拼接） 和 Model（invoke / stream / batch）。大模型返回的是 AIMessage 对象，业务里往往要 字符串、JSON、结构化对象。

本文讲 Model I/O 的第三环 —— Output 输出解析器：它是什么、为什么要用、常用有哪些、各自怎么用。

注意先申请大模型的秘钥和配置环境（与系列前文相同）。

一、总览：输出解析器是什么？为什么要用？

它在 Model I/O 里扮演什么角色？

LangChain 把调大模型拆成三段：

Input（Prompt 模板）  →  Model（LLM）  →  Output（输出解析器）
     拼问题                 生成回复            转成可用数据

输出解析器（Output Parser） 负责最后一步：把 AIMessage 转成程序方便用的 字符串、字典、强类型对象。

response = llm.invoke(messages)   # AIMessage
text = parser.invoke(response)    # str / dict / Pydantic 对象

解析器 = 模型输出 → 业务数据的适配器。 价值不只是少写一行 .content，而是 统一接口、可替换、可接 chain。

常用解析器一览

解析器 / 方式	产出类型	常用度	典型场景
`StrOutputParser`	`str`	⭐⭐ 必学	聊天、摘要、任何要纯文本
`JsonOutputParser`	`dict` / `list`	⭐ 常用	抽信息、对接 API 的 JSON
`PydanticOutputParser`	Pydantic 模型	⭐ 常用	固定字段 + 类型校验（学习用）
`with_structured_output`	Pydantic 模型	⭐ 生产推荐	同上，由 API 约束 schema
`CommaSeparatedListOutputParser`	`list[str]`	特定	Prompt 要求「逗号分隔列表」
`XMLOutputParser` 等	XML / 工具 JSON	了解即可	老 Prompt、Agent

学习路径：StrOutputParser → JsonOutputParser → PydanticOutputParser + Field → with_structured_output。

二、分述：各解析器怎么用？

import os
from langchain.chat_models import init_chat_modelos.environ["OPENAI_API_KEY"] = os.getenv("SILICON_KEY")
os.environ["OPENAI_BASE_URL"] = os.getenv("SILICON_BASE_URL")
llm = init_chat_model("openai:deepseek-ai/DeepSeek-V3")

2.1 StrOutputParser — 拿纯文本（默认首选）

场景：聊天、问答、写文章——下游只要 字符串。

from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplateprompt = ChatPromptTemplate.from_messages([
    ("system", "你现在是一个小学{subject}老师，尽量用两三句话解释"),
    ("human", "请介绍{question}"),
]).invoke({"subject": "数学", "question": "数独是啥"})answer = llm.invoke(prompt)
answerFormated = StrOutputParser().invoke(answer)  # 等同于 answer.content
print(answerFormated)

流式：

for chunk in StrOutputParser().transform(llm.stream(prompt)):
    print(chunk, end="")

2.2 JsonOutputParser — 拿 JSON 字典或数组

场景：下游要 dict 或 list，不是字符串。

from langchain_core.output_parsers import JsonOutputParser
from langchain_core.prompts import ChatPromptTemplateprompt = ChatPromptTemplate.from_messages([
    ("system", "你只输出 JSON 不要 markdown 不要解释。"),
    ("human", "用 JSON 描述城市，字段：name, population。城市：{city}"),
]).invoke({"city": "北京"})data = JsonOutputParser().invoke(llm.invoke(prompt))
print(data)  # {'name': '北京', 'population': '2189万'}

关键点：

Prompt 必须约束 JSON——解析器只负责解析，不能保证模型不乱写。
自动处理 markdown 代码块——包了 ```json 通常仍能解析。
不做类型校验——要强校验用 Pydantic 或 with_structured_output。

2.3 PydanticOutputParser — 强类型结构化

场景：字段固定、要 类型校验——下游要 Pydantic 对象，不是裸 dict。

标准三步

from pydantic import BaseModel, Field, RootModel
from langchain_core.output_parsers import PydanticOutputParser
from langchain_core.prompts import ChatPromptTemplate# ① 定义 schema
class Animal(BaseModel):
    name: str = Field(description="动物中文名称，不超过8个字", min_length=1, max_length=8)
    emoji: str = Field(description="单个 emoji 表情")
    age: int = Field(default=0, ge=0, le=150, description="年龄，0~150 整数")class AnimalArray(RootModel[list[Animal]]):
    pass# ② 先建 parser，注入 format_instructions
parser = PydanticOutputParser(pydantic_object=AnimalArray)
prompt = ChatPromptTemplate.from_messages([
    ("system", "只输出 JSON，不要 markdown。n{format_instructions}"),
    ("human", "用 JSON 数组描述三个动物"),
]).invoke({"format_instructions": parser.get_format_instructions()})# ③ 调模型 → 解析
result = parser.invoke(llm.invoke(prompt))
print(result.model_dump())

`get_format_instructions()` 是什么？

把 Pydantic 模型的 JSON Schema 自动生成成说明文字，塞进 Prompt 的 {format_instructions}。

易错点：必须先建 parser，再传入 get_format_instructions()；顺序反了或传空字典，模型看不到 schema。

解析结果怎么用？

result.root[0].name       # RootModel：数组在 .root 里
result.model_dump()       # 转 list[dict]，方便打印/存库
result.model_dump_json()  # 转 JSON 字符串

Field 常规用法

Field 必须从 pydantic 导入（不是 dataclasses.Field）。做两件事：

写给模型看 —— description 进入 format_instructions
写给程序看 —— 类型、范围、默认值用于解析后校验

参数	用途	建议
`description`	字段说明 → 进 Prompt	⭐ 每个字段都写
`default` / `default_factory`	缺字段时的默认值	可选字段时用
`ge` / `le` / `min_length` / `max_length`	解析后硬校验	配合 description 一起写

name: str = Field(description="动物中文名称，不超过8个字", min_length=1, max_length=8)
age: int = Field(default=0, ge=0, le=150, description="年龄，0~150 整数")

对比 Json：Json 在 Prompt 里手写字段名；Pydantic 把说明写在 Field 里，不用维护两套文案。

接 chain

chain = prompt.partial(format_instructions=parser.get_format_instructions()) | llm | parser
result = chain.invoke({"city": "上海"})  # 按你的 prompt 变量调整

2.4 `with_structured_output` — 生产更推荐

场景：和 Pydantic 一样要结构化输出，但 不想手写 format_instructions。

from pydantic import BaseModel, Field, RootModel# Animal / AnimalArray 定义同上一节，此处省略llm_struct = llm.with_structured_output(AnimalArray)
result = llm_struct.invoke("用 JSON 数组描述三个动物，每项含名称、emoji 和年龄")
print(result.model_dump())

和 PydanticOutputParser 的对比：

维度	`PydanticOutputParser`	`with_structured_output`
原理	模型输出文本 → 后解析	模型/API 按 schema 约束输出
Prompt	必须注入 `{format_instructions}`	不用
典型写法	`parser.invoke(llm.invoke(prompt))`	`llm_struct.invoke(prompt)`
chain	`prompt \| llm \| parser`	`prompt \| llm_struct`
适用	学习 Output 环、兼容弱 API	生产环境优先

常见失败

现象	处理
忘了传 `format_instructions`	检查 Prompt；或改用 `with_structured_output`
字段缺失 / 类型错误	加强 `Field(description=...)`；降低 `temperature`
Prompt 手写 JSON 又用了 Pydantic	统一用 `{format_instructions}` 或改用 `with_structured_output`
`with_structured_output` 报 schema 错误	`method="json_mode"` 或退回 Parser

2.5 CommaSeparatedListOutputParser — 逗号分隔列表

场景：Prompt 明确要求「用逗号分隔返回多个词」。

from langchain_core.output_parsers import CommaSeparatedListOutputParseritems = CommaSeparatedListOutputParser().invoke(llm.invoke(messages))
print(items)  # ['苹果', '香蕉', '橙子']

适合标签、关键词；结构复杂时用 Json 或 Pydantic。

三、总结

3.1 选型决策

只要文字？           → StrOutputParser                         ⭐ 默认
要 JSON / dict？     → JsonOutputParser + Prompt 约束
要固定字段 + 校验？  → 学习：PydanticOutputParser + Field
                      生产：with_structured_output              ⭐ 推荐
逗号分隔列表？       → CommaSeparatedListOutputParser

你的目标	用哪个
聊天、日志、纯文本	`StrOutputParser`
抽实体、对接 API JSON	`JsonOutputParser`
结构化 + 校验（学习）	`PydanticOutputParser`
结构化 + 校验（生产）	`with_structured_output`
标签 / 关键词	`CommaSeparatedListOutputParser`

3.2 记住这些

模板 → llm.invoke → parser.invoke        → str / dict / Model
模板 → llm.with_structured_output(...).invoke → Model（跳过 Parser）

新手路径：Str 跑通 → Json → Pydantic + Field → with_structured_output。

LangChain输出解析器：把模型回复变成你要的数据