企业官网建设流程全解析

核心分为原生解析、输出解析器 (Output Parser)、Prompt 约束、结构化返回四大类，适配不同场景（字符串、JSON、列表、对象、枚举），基于 LangChain 最新版本（0.1+）演示。

一、前置依赖

bash

运行

pip install langchain langchain-openai python-dotenv

二、基础：Prompt指令约束（最简单，无代码解析）

直接在提示词要求固定格式，适合简单场景，纯文本约束，不需要根据大模型的输出自动调用函数。

示例 1：固定文本格式 / 列表

python

运行

from langchain_openai import ChatOpenAI from dotenv import load_dotenv import os load_dotenv() llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0) prompt = """ 请总结以下内容，严格按照格式输出： 1. 标题：xxx 2. 核心要点： - 要点1 - 要点2 内容：人工智能发展趋势 """ res = llm.invoke(prompt) print(res.content)

示例 2：强制 JSON 格式（纯 Prompt 约束）

python

运行

prompt = """ 提取以下人物信息，**只返回标准JSON**，不要额外解释、不要markdown： 字段：name(姓名), age(年龄), hobby(爱好) 内容：小明，22岁，喜欢编程和阅读 """ res = llm.invoke(prompt) print(res.content)

三、标准 OutputParser 输出解析器（官方推荐）

LangChain 内置多种解析器，自动校验 + 格式化输出，防乱格式、自动报错。

1. StrOutputParser 纯字符串（默认）

仅包装原始输出，链式调用常用：

python

运行

from langchain_core.output_parsers import StrOutputParser parser = StrOutputParser() chain = llm | parser res = chain.invoke("介绍Python") print(type(res), res) # 字符串类型

2. JsonOutputParser 解析 JSON（最常用）

自动解析 LLM 输出的 JSON字符串为 Python 字典，自动容错。

python

运行

from langchain_core.output_parsers import JsonOutputParser from langchain_core.prompts import ChatPromptTemplate # 1. 定义解析器 parser = JsonOutputParser() # 2. 构造提示词，注入格式要求 prompt = ChatPromptTemplate.from_messages([ ("system", "提取用户信息，输出JSON格式。{format_instructions}"), ("human", "姓名：张三，职业：工程师，城市：上海") ]).partial(format_instructions=parser.get_format_instructions()) # 3. 构建链路 chain = prompt | llm | parser # 4. 调用，直接得到字典 result = chain.invoke({}) print(type(result)) # <class 'dict'> print(result["姓名"], result["职业"])

3. PydanticOutputParser结构化对象（强类型、字段校验）

基于Pydantic定义数据模型，强制字段、类型、规则，适合生产级结构化输出。

步骤 1：定义 Pydantic 模型

python

运行

from pydantic import BaseModel, Field from langchain_core.output_parsers import PydanticOutputParser # 定义数据结构 class UserInfo(BaseModel): name: str = Field(description="用户姓名") age: int = Field(description="用户年龄，数字类型") city: str = Field(description="所在城市") # 初始化解析器 parser = PydanticOutputParser(pydantic_object=UserInfo)

步骤 2：拼接 Prompt + 调用

python

运行

prompt = ChatPromptTemplate.from_messages([ ("system", "解析用户信息，严格按照指定格式输出。{format_instructions}"), ("human", "小李，25岁，定居北京") ]).partial(format_instructions=parser.get_format_instructions()) chain = prompt | llm | parser # 返回 Pydantic 对象，直接点属性取值 user: UserInfo = chain.invoke({}) print(user.name, user.age, user.city) # 转字典 print(user.model_dump())

4. CommaSeparatedListOutputParser 逗号分隔列表

自动把a,b,c格式转为 Python 列表：

python

运行

from langchain_core.output_parsers import CommaSeparatedListOutputParser parser = CommaSeparatedListOutputParser() prompt = ChatPromptTemplate.from_messages([ ("system", "列出3个编程语言，用英文逗号分隔。{format_instructions}"), ("human", "需求：编程语言") ]).partial(format_instructions=parser.get_format_instructions()) chain = prompt | llm | parser res = chain.invoke({}) print(res) # ['Python', 'Java', 'Go']

四、进阶：自定义解析器 + 处理异常

1. 捕获解析失败（LLM 输出不规范兜底）

LLM 偶尔输出多余文本，导致 JSON 解析报错，增加异常捕获：

python

运行

from langchain_core.output_parsers import JsonOutputParser from langchain_core.exceptions import OutputParserException parser = JsonOutputParser() chain = llm | parser try: res = chain.invoke("xxx") except OutputParserException as e: print("解析失败，原始输出：", e.llm_output) # 兜底手动清洗字符串再解析

2. 自定义 OutputParser

继承BaseOutputParser实现个性化逻辑：

python

运行

from langchain_core.output_parsers import BaseOutputParser from typing import Any class CustomParser(BaseOutputParser[str]): def parse(self, text: str) -> str: # 自定义清洗逻辑：去除markdown、空格 return text.replace("```", "").strip() parser = CustomParser() chain = llm | parser res = chain.invoke("用一句话介绍LangChain") print(res)

五、LCEL 链式组合（工程常用写法）

统一格式链路，复用解析逻辑：

python

运行

from langchain_core.prompts import ChatPromptTemplate from langchain_core.output_parsers import JsonOutputParser prompt = ChatPromptTemplate.from_template(""" 分析以下评论情绪，输出JSON： 字段：sentiment(positive/negative/neutral), reason(原因) 评论：{comment} {format_instructions} """) parser = JsonOutputParser() # 完整链路 chain = prompt.partial(format_instructions=parser.get_format_instructions()) | llm | parser # 调用 data = chain.invoke({"comment": "这个工具很好用，效率提升很多"}) print(data)

六、关键技巧 & 避坑

1. 必加temperature=0，格式化场景建议关闭随机性，llm = ChatOpenAI(temperature=0)，大幅降低格式错乱概率。

2. 禁止多余内容：Prompt 里明确：只输出结果，不要解释、不要markdown、不要多余文字。

3. 嵌套 JSON / 复杂结构：优先用PydanticOutputParser，支持嵌套 Model，天然支持复杂对象。

4. 多轮对话格式化：解析器全局复用，只需要保证每一轮 Prompt 都携带格式指令。

5. 旧版本 LangChain 兼容老版本：用from langchain.output_parsers import xxx，新版本统一迁移到langchain_core.output_parsers。

七、选型速查表