引言在构建基于大语言模型LLM的应用时模型输出的本质是自然语言文本。然而下游系统如 API 接口、数据库存储、前端界面渲染通常需要结构化的数据输入例如 JSON 对象、列表或符合特定模式Schema的字段。LangChain 的输出解析器Output Parsers提供了一套标准化的机制旨在将模型生成的文本自动转换为程序可直接消费的数据结构从而在文本生成与业务逻辑之间建立稳固的桥梁。纲要输出解析器的定位与核心价值在 LangChain I/O 体系中的角色核心任务从非结构化文本到结构化数据常见输出解析器类型StrOutputParser纯文本输出JsonOutputParserJSON 对象输出XMLOutputParserXML 格式输出CsvOutputParser逗号分隔值输出PydanticOutputParser基于 Pydantic 模型的结构化输出YamlOutputParserYAML 格式输出解析器与提示词的协作机制模型对结构化输出的支持能力实践示例StrOutputParser与JsonOutputParser的使用最佳实践与注意事项输出解析器在 LangChain 中的定位LangChain 的经典 I/O 模型由三个核心组件构成提示词模板Prompt Template负责将用户输入与预设模板结合以生成最终提示大模型LLM负责处理提示并生成文本输出输出解析器Output Parser负责将模型输出的文本转换为结构化数据。三者串联形成清晰的数据处理管道用户输入提示词模板大模型输出解析器结构化数据下游应用输出解析器的核心任务是将模型的自然语言输出转换为机器可理解的结构化数据。早期的实现方式通常依赖正则表达式从自由文本中提取信息但由于模型输出的随机性这种方式的匹配稳定性较差。随着模型能力的提升如对原生 JSON 模式的支持解析器可以与模型协同工作在生成阶段即要求模型遵循特定的输出格式从而显著提高数据转换的可靠性。常见输出解析器概览LangChain 提供了多种内置解析器覆盖了主流的数据交换格式。以下是这些解析器的功能特性对比解析器输出类型是否支持流式格式要求StrOutputParser字符串是无JsonOutputParserJSON 对象dict是需包含{}且符合 JSON 语法XMLOutputParserdict解析后的 XML 结构是需包含成对的 XML 标签CsvOutputParserList[str]是需为逗号分隔的值PydanticOutputParserPydantic BaseModel实例否需符合 Pydantic 模型字段定义YamlOutputParserPydantic BaseModel实例否需符合 YAML 语法规范在使用上述解析器时有两个关键点需要特别关注格式指令注入除StrOutputParser外大多数解析器都提供了get_format_instructions()方法用于生成指导模型按特定格式输出的说明文字。必须将该说明文字拼接到提示词中否则模型无法知晓预期的输出结构。下游数据类型匹配不同的解析器产出的数据类型各不相同例如JsonOutputParser返回dict而PydanticOutputParser返回BaseModel实例。下游处理逻辑必须与解析器的输出类型对应否则将引发类型错误或属性访问异常。模型结构化输出支持情况并非所有模型都原生支持结构化输出或工具调用Tool Calling。LangChain 对常见模型的能力进行了标注部分示例如下模型支持结构化输出支持工具调用支持流式OpenAIgpt-4o, gpt-3.5-turbo是是是DeepSeekv3, r1是非原生 JSON 模式部分版本支持是Anthropic Claude是是是社区模型如 Ollama 本地模型取决于具体模型取决于具体模型取决于具体模型在选定模型后必须验证其能力与所选解析器的兼容性。例如若模型不支持工具调用强行使用PydanticOutputParser可能无法稳定地获得符合预期的结构化输出。动手实践StrOutputParser 与 JsonOutputParser本节通过一个完整可运行的示例演示StrOutputParser与JsonOutputParser的用法。示例使用ChatOpenAI作为模型需自行配置 API Key也可替换为其他兼容模型。环境准备安装必要的依赖包pipinstalllangchain langchain-core langchain-openai配置 API Key以 OpenAI 为例exportOPENAI_API_KEY你的OpenAI密钥代码示例以下代码完整演示了两种解析器的使用方式fromlangchain_core.promptsimportChatPromptTemplatefromlangchain_openaiimportChatOpenAIfromlangchain_core.output_parsersimportStrOutputParser,JsonOutputParser# 初始化模型modelChatOpenAI(modelgpt-3.5-turbo,temperature0)# 1. StrOutputParser 示例 str_promptChatPromptTemplate.from_template(用一句话介绍{subject}。)str_chainstr_prompt|model|StrOutputParser()str_resultstr_chain.invoke({subject:LangChain})print(字符串输出,str_result)print()# 2. JsonOutputParser 示例 # 实例化 JSON 解析器json_parserJsonOutputParser()# 获取格式指令并注入到提示词中format_instructionsjson_parser.get_format_instructions()json_promptChatPromptTemplate.from_template(请以 JSON 对象的形式返回以下信息包含 name 和 age 两个字段。\n{format_instructions}\n用户输入{input})json_chainjson_prompt|model|json_parser json_resultjson_chain.invoke({input:我叫小明今年25岁。,format_instructions:format_instructions})print(JSON 输出,json_result)print(类型,type(json_result))print(姓名,json_result.get(name))执行结果示例字符串输出 LangChain 是一个用于构建大语言模型应用的开源框架。 JSON 输出 {name: 小明, age: 25} 类型 class dict 姓名 小明通过StrOutputParser可以直接获得模型的原始文本输出去除多余的空白或格式标记而JsonOutputParser则确保返回一个符合 JSON 规范的 Pythondict对象可直接用于后续的业务逻辑处理。最佳实践与注意事项始终注入格式说明除StrOutputParser外其他解析器必须通过get_format_instructions()获取格式要求并拼接到提示词中。这是确保解析器正常工作的前提。测试模型兼容性在切换模型时应首先使用简单的测试用例验证解析器是否能正常工作。特别是PydanticOutputParser等对模型结构化输出能力要求较高的解析器更需要进行充分测试。错误处理机制当解析失败时如 JSON 格式错误LangChain 提供了OutputFixingParser等容错机制可以尝试自动修复格式错误后续文章将对此进行深入介绍。与 LCEL 链式调用结合解析器可以作为 LangChain Expression Language (LCEL) 管道的一部分通过|符号与提示词模板、模型实例串联构建清晰且可维护的数据处理流。结语输出解析器是连接大模型“非结构化输出”与“精确业务逻辑”之间的关键桥梁。通过合理选用字符串、JSON、Pydantic 等解析器并配合提示词注入格式指令可以让模型的回答变得可预测、可结构化从而显著提升 LLM 应用的工程化水平。初学者可以从StrOutputParser和JsonOutputParser入手逐步扩展到更复杂的自定义解析场景。官方文档LangChain 官方文档Output Parsers 章节https://python.langchain.com/docs/concepts/output_parsers/LangChain 核心包langchain-coreAPI 参考https://python.langchain.com/api_reference/core/output_parsers.html总结本文系统梳理了 LangChain 框架中输出解析器的核心概念、常见类型、与提示词的协作机制以及模型兼容性等重要技术点。通过StrOutputParser和JsonOutputParser的完整代码示例展示了如何在实际项目中快速集成解析器将模型输出转换为结构化数据从而提升 LLM 应用的稳定性和可维护性。