>#LangChain 输出解析器(学习笔记) [TOC] 简介 ------------ tn2>LLM的输出为文本，但在程序中除了显示文本，可能希望获得更结构化的数据。 这就是输出解析器（Output Parsers）的用武之地。 `LangChain` 为输出解析器提供了基础类 `BaseOutputParser`。 不同的输出解析器都继承自该类。它们需要实现以下两个函数： >- **get_format_instructions**：返回指令指定LLM的输出该如何格式化，该函数在实现类中必须重写。基类中的函数实现如下： ```python def get_format_instructions(self) -> str: """Instructions on how the LLM output should be formatted.""" raise NotImplementedError ``` >- **parse**：解析LLM的输出文本为特定的结构。函数签名如下： ```python def parse(self, text: str) -> T ``` tn2>`BaseOutputParser` 还提供了如下函数供重载： **parse_with_prompt**：基于提示词上下文解析LLM的输出文本为特定结构。该函数在基类中的实现为： ```python def parse_with_prompt(self, completion: str, prompt: PromptValue) -> Any: """Parse the output of an LLM call with the input prompt for context.""" return self.parse(completion) ``` LangChain支持的输出解析器 ------------ >LangChain框架提供了一系列解析器实现来满足应用在不同功能场景中的需求。它们包括且不局限于如下解析器： - List parser - Datetime parser - Enum parser - Auto-fixing parser - Pydantic parser - Retry parser - Structured output parser<br/> 本讲介绍具有代表性的两款解析器的使用。 ### List Parser tn2>List Parser将逗号分隔的文本解析为列表。 ```python from langchain.output_parsers import CommaSeparatedListOutputParser output_parser = CommaSeparatedListOutputParser() output_parser.parse("black, yellow, red, green, white, blue") ``` tn2>你应该能看到如下输出：  ### Structured Output Parser tn2>当我们想要类似JSON数据结构，包含多个字段时，可以使用这个输出解析器。 该解析器可以生成指令帮助LLM返回结构化数据文本，同时完成文本到结构化数据的解析工作。 示例代码如下： ```python from langchain.output_parsers import StructuredOutputParser, ResponseSchema from langchain.prompts import PromptTemplate, ChatPromptTemplate, HumanMessagePromptTemplate from langchain.llms import OpenAI # 定义响应的结构(JSON)，两个字段 answer和source。 response_schemas = [ ResponseSchema(name="answer", description="answer to the user's question"), ResponseSchema(name="source", description="source referred to answer the user's question, should be a website.") ] output_parser = StructuredOutputParser.from_response_schemas(response_schemas) # 获取响应格式化的指令 format_instructions = output_parser.get_format_instructions() # partial_variables允许在代码中预填充提示此模版的部分变量。 # 这类似于接口，抽象类之间的关系 prompt = PromptTemplate( template="answer the users question as best as possible.\n{format_instructions}\n{question}", input_variables=["question"], partial_variables={"format_instructions": format_instructions} ) model = OpenAI(temperature=0) response = prompt.format_prompt(question="what's the capital of France?") output = model(response.to_string()) # 格式化转换 output_parser.parse(output) ``` tn2>你应该期望能看到如下输出：  tn>注，关于示例代码中引用的 `partial_variables`，请参考[Partial - Prompt Templates](https://python.langchain.com/docs/modules/model_io/prompts/prompt_templates/partial)。 总结 ------------ tn2>本节课程中，我们学习了什么是 `输出解析器` ，LangChain所支持的常见解析器，以及如何使用常见的两款解析器 `List Parser` 和 `Structured Output Parser`。 随着LangChain的发展，应该会有更多解析器出现。 相关文档资料链接 ------------ tn2> [Python Langchain官方文档](https://python.langchain.com/docs/get_started/introduction.html) [Partial - Prompt Templates](https://python.langchain.com/docs/modules/model_io/prompts/prompt_templates/partial) [五里墩茶社](https://space.bilibili.com/615957867?spm_id_from=333.337.0.0)