1. LangChain输出解析器基础解析
在构建LangChain应用时,我们通常会使用提示词模板、语言模型和输出解析器这"三件套"。前两者我们已经在前面的文章中详细介绍过,今天我们来深入探讨输出解析器的设计与实现原理。
1.1 为什么需要输出解析器
语言模型的输出通常是自由格式的文本,但在实际应用中,我们往往需要结构化的数据。比如:
- 从用户查询中提取实体信息(姓名、年龄等)
- 将模型回答转换为JSON格式供其他系统使用
- 在流式输出时实时处理部分结果
输出解析器就是为解决这些问题而设计的中间件,它能将模型的原始输出转换为我们需要的数据结构。
1.2 核心接口设计
LangChain的输出解析器体系基于几个关键抽象类构建:
python复制class BaseLLMOutputParser(ABC, Generic[T]):
@abstractmethod
def parse_result(self, result: list[Generation], *, partial: bool = False) -> T:
async def aparse_result(
self, result: list[Generation], *, partial: bool = False
) -> T:
return await run_in_executor(None, self.parse_result, result, partial=partial)
BaseLLMOutputParser是所有解析器的根基,它定义了最核心的解析方法:
parse_result: 同步解析方法aparse_result: 异步解析方法- 泛型参数T表示解析后的目标类型
注意:
partial参数用于支持流式输出,当设置为True时表示当前内容可能只是完整回复的一部分。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 基础输出解析器实现
2.1 BaseOutputParser解析
BaseOutputParser是大多数实际解析器的基类,它继承了BaseLLMOutputParser并实现了RunnableSerializable接口:
python复制class BaseOutputParser(
BaseLLMOutputParser, RunnableSerializable[LanguageModelOutput, T]
):
@override
def invoke(
self,
input: str | BaseMessage,
config: RunnableConfig | None = None,
**kwargs: Any,
