561 lines
20 KiB
Plaintext
561 lines
20 KiB
Plaintext
{
|
||
"cells": [
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {},
|
||
"source": [
|
||
"# 07 输出解析器\n",
|
||
"\n",
|
||
"## 学习目标\n",
|
||
"1. 理解输出解析器（Output Parsers）在 LangChain 链中的作用\n",
|
||
"2. 掌握常见解析器的用法：StrOutputParser、JsonOutputParser、PydanticOutputParser、CommaSeparatedListOutputParser\n",
|
||
"3. 学会使用 `手动 try-except + LLM 修复` 处理模型输出格式异常\n",
|
||
"4. 了解如何编写自定义输出解析器\n",
|
||
"5. 理解「Prompt 中说明格式 + 解析器约束」配合的重要性"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {},
|
||
"source": [
|
||
"## 1. 为什么需要输出解析器\n",
|
||
"\n",
|
||
"大模型返回的通常是**自由文本**，但很多时候我们需要：\n",
|
||
"\n",
|
||
"- 提取结构化的 JSON 数据\n",
|
||
"- 把文本转换成 Python 列表、字典或对象\n",
|
||
"- 验证输出是否符合预期的数据格式\n",
|
||
"- 过滤掉模型多余的解释，只保留关键信息\n",
|
||
"\n",
|
||
"**输出解析器**就是链中负责把模型输出转换为结构化数据的组件。\n",
|
||
"\n",
|
||
"在 LCEL 中，链的常见结构是：\n",
|
||
"\n",
|
||
"```\n",
|
||
"chain = prompt | llm | output_parser\n",
|
||
"```\n",
|
||
"\n",
|
||
"其中 `output_parser` 接收 `AIMessage` 对象，输出我们需要的 Python 数据结构。"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {},
|
||
"source": [
|
||
"## 2. StrOutputParser：最简单的字符串解析器\n",
|
||
"\n",
|
||
"`StrOutputParser` 会把模型返回的 `AIMessage` 对象直接转换成纯字符串。\n",
|
||
"\n",
|
||
"它适合的场景：\n",
|
||
"- 只需要文本回答\n",
|
||
"- 不想每次手动写 `.content`\n",
|
||
"- 作为链的最后一步统一输出类型"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "code",
|
||
"execution_count": null,
|
||
"metadata": {},
|
||
"outputs": [],
|
||
"source": [
|
||
"from langchain_openai import ChatOpenAI\n",
|
||
"from langchain_core.prompts import ChatPromptTemplate\n",
|
||
"from langchain_core.output_parsers import StrOutputParser\n",
|
||
"from dotenv import load_dotenv\n",
|
||
"\n",
|
||
"load_dotenv()\n",
|
||
"\n",
|
||
"\n",
|
||
"# 创建模型\n",
|
||
"llm = ChatOpenAI(model='qwen3.6-35b-A3b', temperature=0.7)\n",
|
||
"\n",
|
||
"# 创建 Prompt 模板\n",
|
||
"prompt = ChatPromptTemplate.from_messages([\n",
|
||
" ('system', '你是一个简洁的助手。'),\n",
|
||
" ('user', '用一句话介绍{topic}')\n",
|
||
"])\n",
|
||
"\n",
|
||
"# 构建链：prompt -> llm -> 字符串解析器\n",
|
||
"chain = prompt | llm | StrOutputParser()\n",
|
||
"\n",
|
||
"# 调用链，直接得到字符串\n",
|
||
"result = chain.invoke({'topic': '机器学习'})\n",
|
||
"\n",
|
||
"print('返回类型：', type(result))\n",
|
||
"print('返回内容：', result)"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {},
|
||
"source": [
|
||
"### 代码解释\n",
|
||
"\n",
|
||
"| 代码 | 作用 |\n",
|
||
"| --- | --- |\n",
|
||
"| `prompt \\| llm \\| StrOutputParser()` | 用管道符串联三个组件 |\n",
|
||
"| `StrOutputParser()` | 自动提取 `.content` 并返回字符串 |\n",
|
||
"| `type(result)` | 验证返回结果是否为 `str` |\n",
|
||
"\n",
|
||
"不加 `StrOutputParser()` 时，`chain.invoke()` 返回的是 `AIMessage` 对象；加了之后返回的是 `str`。"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {},
|
||
"source": [
|
||
"## 3. JsonOutputParser：解析 JSON 输出\n",
|
||
"\n",
|
||
"`JsonOutputParser` 会自动把模型输出的 JSON 字符串解析成 Python 字典。\n",
|
||
"\n",
|
||
"使用要点：\n",
|
||
"1. 在 Prompt 中明确要求模型输出 JSON\n",
|
||
"2. JSON 中的大括号 `{` 在 Prompt 模板中需要写成 `{{` 进行转义\n",
|
||
"3. 模型输出必须能被 `json.loads()` 解析"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "code",
|
||
"execution_count": null,
|
||
"metadata": {},
|
||
"outputs": [],
|
||
"source": [
|
||
"from langchain_openai import ChatOpenAI\n",
|
||
"from langchain_core.prompts import ChatPromptTemplate\n",
|
||
"from langchain_core.output_parsers import JsonOutputParser\n",
|
||
"\n",
|
||
"llm = ChatOpenAI(model='qwen3.6-35b-A3b', temperature=0.1)\n",
|
||
"\n",
|
||
"# 注意：模板中的 {{ 和 }} 会被 LangChain 渲染成单个 { 和 }\n",
|
||
"system_template = '''你是一个信息提取助手。请只输出 JSON 格式，不要包含任何解释。\n",
|
||
"\n",
|
||
"输出格式如下：\n",
|
||
"{{\\n\n",
|
||
" \"names\": [...],\\n\n",
|
||
" \"locations\": [...],\\n\n",
|
||
" \"time\": \"\"\\n\n",
|
||
"}}'''\n",
|
||
"\n",
|
||
"prompt = ChatPromptTemplate.from_messages([\n",
|
||
" ('system', system_template),\n",
|
||
" ('user', '文本：{text}')\n",
|
||
"])\n",
|
||
"\n",
|
||
"chain = prompt | llm | JsonOutputParser()\n",
|
||
"\n",
|
||
"result = chain.invoke({\n",
|
||
" 'text': '2024年5月1日，李明和王芳一起去了北京故宫参观。'\n",
|
||
"})\n",
|
||
"\n",
|
||
"print('返回类型：', type(result))\n",
|
||
"print('返回内容：', result)"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {},
|
||
"source": [
|
||
"### 代码解释\n",
|
||
"\n",
|
||
"- `system_template` 中的 `{{` 和 `}}` 是**LangChain 模板转义语法**，表示最终 Prompt 中显示为单个 `{` 和 `}`\n",
|
||
"- `JsonOutputParser()` 会调用 `json.loads()` 解析模型输出\n",
|
||
"- 如果模型输出不是合法 JSON，会抛出异常\n",
|
||
"\n",
|
||
"返回类型是 `dict`，可以直接像 `result['names']` 这样访问字段。"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {},
|
||
"source": [
|
||
"## 4. PydanticOutputParser：解析为 Pydantic 对象\n",
|
||
"\n",
|
||
"如果你需要更严格的类型校验和结构化数据，可以使用 `PydanticOutputParser`。\n",
|
||
"\n",
|
||
"Pydantic 是 Python 中非常流行的数据验证库。通过定义数据模型，可以：\n",
|
||
"- 明确每个字段的类型\n",
|
||
"- 自动验证数据格式\n",
|
||
"- 把模型输出转换成可操作的 Python 对象"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "code",
|
||
"execution_count": null,
|
||
"metadata": {},
|
||
"outputs": [],
|
||
"source": [
|
||
"from langchain_openai import ChatOpenAI\n",
|
||
"from langchain_core.prompts import ChatPromptTemplate\n",
|
||
"from langchain_core.output_parsers import PydanticOutputParser\n",
|
||
"from pydantic import BaseModel, Field\n",
|
||
"\n",
|
||
"llm = ChatOpenAI(model='qwen3.6-35b-A3b', temperature=0.1)\n",
|
||
"\n",
|
||
"# 第一步：定义 Pydantic 数据模型\n",
|
||
"class PersonInfo(BaseModel):\n",
|
||
" name: str = Field(description='人物姓名')\n",
|
||
" age: int = Field(description='人物年龄')\n",
|
||
" city: str = Field(description='所在城市')\n",
|
||
" hobbies: list[str] = Field(description='兴趣爱好列表')\n",
|
||
"\n",
|
||
"# 第二步：创建解析器\n",
|
||
"parser = PydanticOutputParser(pydantic_object=PersonInfo)\n",
|
||
"\n",
|
||
"# 第三步：在 Prompt 中嵌入格式说明\n",
|
||
"prompt = ChatPromptTemplate.from_messages([\n",
|
||
" ('system', '''你是一个信息提取助手。请从文本中提取人物信息，按指定格式输出。\\n\n",
|
||
"{format_instructions}'''),\n",
|
||
" ('user', '文本：{text}')\n",
|
||
"])\n",
|
||
"\n",
|
||
"# format_instructions 会自动生成 JSON Schema 说明\n",
|
||
"prompt_with_format = prompt.partial(format_instructions=parser.get_format_instructions())\n",
|
||
"\n",
|
||
"# 构建链\n",
|
||
"chain = prompt_with_format | llm | parser\n",
|
||
"\n",
|
||
"result = chain.invoke({\n",
|
||
" 'text': '张三今年25岁，住在杭州，喜欢打篮球和编程。'\n",
|
||
"})\n",
|
||
"\n",
|
||
"print('返回类型：', type(result))\n",
|
||
"print('返回对象：', result)\n",
|
||
"print('姓名：', result.name)\n",
|
||
"print('年龄：', result.age)"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {},
|
||
"source": [
|
||
"### 代码解释\n",
|
||
"\n",
|
||
"| 步骤 | 代码 | 说明 |\n",
|
||
"| --- | --- | --- |\n",
|
||
"| 1 | `class PersonInfo(BaseModel)` | 定义数据结构，每个字段都有类型和描述 |\n",
|
||
"| 2 | `PydanticOutputParser(pydantic_object=PersonInfo)` | 创建解析器，指定要解析的模型 |\n",
|
||
"| 3 | `parser.get_format_instructions()` | 自动生成格式说明，告诉模型如何输出 |\n",
|
||
"| 4 | `prompt.partial(format_instructions=...)` | 把格式说明预先填充到 Prompt 中 |\n",
|
||
"| 5 | `chain.invoke(...)` | 返回的是 `PersonInfo` 对象 |\n",
|
||
"\n",
|
||
"Pydantic 会自动校验类型，比如 `age` 必须是整数，否则报错。"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {},
|
||
"source": [
|
||
"## 5. CommaSeparatedListOutputParser：解析逗号分隔列表\n",
|
||
"\n",
|
||
"当你需要模型返回一个列表时，可以使用 `CommaSeparatedListOutputParser`。\n",
|
||
"\n",
|
||
"它适合的场景：\n",
|
||
"- 提取关键词\n",
|
||
"- 生成待办事项\n",
|
||
"- 输出多个选项"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "code",
|
||
"execution_count": null,
|
||
"metadata": {},
|
||
"outputs": [],
|
||
"source": [
|
||
"from langchain_openai import ChatOpenAI\n",
|
||
"from langchain_core.prompts import ChatPromptTemplate\n",
|
||
"from langchain_core.output_parsers import CommaSeparatedListOutputParser\n",
|
||
"\n",
|
||
"llm = ChatOpenAI(model='qwen3.6-35b-A3b', temperature=0.7)\n",
|
||
"\n",
|
||
"# 创建解析器\n",
|
||
"parser = CommaSeparatedListOutputParser()\n",
|
||
"\n",
|
||
"# 获取格式说明\n",
|
||
"format_instructions = parser.get_format_instructions()\n",
|
||
"\n",
|
||
"prompt = ChatPromptTemplate.from_messages([\n",
|
||
" ('system', '你是一个关键词提取助手。{format_instructions}'),\n",
|
||
" ('user', '请从以下文本中提取3-5个关键词：{text}')\n",
|
||
"])\n",
|
||
"\n",
|
||
"# 预填充格式说明\n",
|
||
"prompt_with_format = prompt.partial(format_instructions=format_instructions)\n",
|
||
"\n",
|
||
"chain = prompt_with_format | llm | parser\n",
|
||
"\n",
|
||
"result = chain.invoke({\n",
|
||
" 'text': '人工智能、机器学习和深度学习正在改变各个行业的运作方式。'\n",
|
||
"})\n",
|
||
"\n",
|
||
"print('返回类型：', type(result))\n",
|
||
"print('关键词列表：', result)\n",
|
||
"print('第一个关键词：', result[0])"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {},
|
||
"source": [
|
||
"### 代码解释\n",
|
||
"\n",
|
||
"- `CommaSeparatedListOutputParser()` 会自动生成格式说明：「用逗号分隔各项，不要带编号和多余解释」\n",
|
||
"- `parser.get_format_instructions()` 返回一段英文说明文本\n",
|
||
"- 返回结果是 Python 列表 `list[str]`\n",
|
||
"- 可以直接用索引访问，比如 `result[0]`"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {},
|
||
"source": [
|
||
"## 6. 处理格式异常：手动 try-except + LLM 修复\n",
|
||
"\n",
|
||
"大模型有时不会严格按 JSON 格式输出，可能包含多余文字、缺失引号或注释。\n",
|
||
"\n",
|
||
"`手动 try-except + LLM 修复` 可以包装另一个解析器，当第一次解析失败时，自动调用 LLM 修复输出格式。"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "code",
|
||
"execution_count": null,
|
||
"metadata": {},
|
||
"outputs": [],
|
||
"source": [
|
||
"from langchain_openai import ChatOpenAI\n",
|
||
"from langchain_core.prompts import ChatPromptTemplate\n",
|
||
"from langchain_core.output_parsers import JsonOutputParser\n",
|
||
"import json\n",
|
||
"\n",
|
||
"llm = ChatOpenAI(model='qwen3.6-35b-A3b', temperature=0.1)\n",
|
||
"\n",
|
||
"# 定义一个 JSON 解析器\n",
|
||
"parser = JsonOutputParser()\n",
|
||
"\n",
|
||
"# 提示模型输出 JSON，但不强制约束格式\n",
|
||
"prompt = ChatPromptTemplate.from_messages([\n",
|
||
" ('system', '请把用户信息转换成 JSON 格式输出。'),\n",
|
||
" ('user', '内容：{text}')\n",
|
||
"])\n",
|
||
"\n",
|
||
"# 先获取模型的原始文本输出\n",
|
||
"raw_chain = prompt | llm\n",
|
||
"raw_output = raw_chain.invoke({'text': '姓名：李四，年龄：30，城市：上海'})\n",
|
||
"\n",
|
||
"print('===== 原始模型输出 =====')\n",
|
||
"print(raw_output.content)\n",
|
||
"\n",
|
||
"# 尝试解析 JSON\n",
|
||
"try:\n",
|
||
" result = parser.invoke(raw_output)\n",
|
||
" print('\\n===== 直接解析成功 =====')\n",
|
||
" print(result)\n",
|
||
"except Exception as e:\n",
|
||
" print('\\n===== 解析失败，尝试用 LLM 修复 =====')\n",
|
||
" print('错误信息：', e)\n",
|
||
"\n",
|
||
" # 构造修复 Prompt，让模型把错误输出修正为合法 JSON\n",
|
||
" fix_prompt = ChatPromptTemplate.from_messages([\n",
|
||
" ('system', '你是一个 JSON 修复专家。请把用户提供的内容修正为合法 JSON，只输出 JSON 字符串，不要任何解释。'),\n",
|
||
" ('user', '原始内容：\\n{raw_output}\\n\\n错误信息：{error}')\n",
|
||
" ])\n",
|
||
"\n",
|
||
" fix_chain = fix_prompt | llm\n",
|
||
" fixed_output = fix_chain.invoke({\n",
|
||
" 'raw_output': raw_output.content,\n",
|
||
" 'error': str(e)\n",
|
||
" })\n",
|
||
"\n",
|
||
" # 手动用 json.loads 解析修复后的内容\n",
|
||
" result = json.loads(fixed_output.content)\n",
|
||
" print('\\n===== 修复后的结果 =====')\n",
|
||
" print(result)"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {},
|
||
"source": [
|
||
"### 代码解释\n",
|
||
"\n",
|
||
"- `手动 try-except + LLM 修复.from_llm(parser=parser, llm=llm)` 用同一个 LLM 修复格式错误\n",
|
||
"- 修复逻辑：第一次解析失败 → 把原始输出和错误信息传给 LLM → 请求模型修正为合法格式 → 再次解析\n",
|
||
"- 适合用于对稳定性要求较高的场景\n",
|
||
"- 注意：修复不一定 100% 成功，极端情况下仍会报错"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {},
|
||
"source": [
|
||
"## 7. 自定义输出解析器\n",
|
||
"\n",
|
||
"如果内置解析器不能满足需求，你可以继承 `BaseOutputParser` 自己实现。\n",
|
||
"\n",
|
||
"下面是一个简单的自定义解析器：把模型输出按指定分隔符切分成列表。"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "code",
|
||
"execution_count": null,
|
||
"metadata": {},
|
||
"outputs": [],
|
||
"source": [
|
||
"from langchain_openai import ChatOpenAI\n",
|
||
"from langchain_core.prompts import ChatPromptTemplate\n",
|
||
"from langchain_core.output_parsers import BaseOutputParser\n",
|
||
"\n",
|
||
"llm = ChatOpenAI(model='qwen3.6-35b-A3b', temperature=0.7)\n",
|
||
"\n",
|
||
"# 自定义解析器：按换行符切分，并去除空行和序号\n",
|
||
"class NumberedListParser(BaseOutputParser[list[str]]):\n",
|
||
" \"\"\"把模型输出的编号列表解析成字符串列表。\"\"\"\n",
|
||
"\n",
|
||
" def parse(self, text: str) -> list[str]:\n",
|
||
" # 按行切分\n",
|
||
" lines = text.strip().split('\\n')\n",
|
||
" # 去除空行，并去掉每行开头的 1. 2. 3. 等序号\n",
|
||
" items = []\n",
|
||
" for line in lines:\n",
|
||
" line = line.strip()\n",
|
||
" if not line:\n",
|
||
" continue\n",
|
||
" # 去掉行首的数字和点，例如 \"1. \"\n",
|
||
" if '. ' in line[:4]:\n",
|
||
" line = line.split('. ', 1)[1]\n",
|
||
" items.append(line)\n",
|
||
" return items\n",
|
||
"\n",
|
||
"prompt = ChatPromptTemplate.from_messages([\n",
|
||
" ('system', '你是一个清单生成助手。请输出编号列表，每行一个项目。'),\n",
|
||
" ('user', '请列出学习{topic}的5个步骤')\n",
|
||
"])\n",
|
||
"\n",
|
||
"chain = prompt | llm | NumberedListParser()\n",
|
||
"\n",
|
||
"result = chain.invoke({'topic': 'Python 编程'})\n",
|
||
"\n",
|
||
"print('返回类型：', type(result))\n",
|
||
"print('返回内容：', result)\n",
|
||
"print('步骤数量：', len(result))"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {},
|
||
"source": [
|
||
"### 代码解释\n",
|
||
"\n",
|
||
"- 继承 `BaseOutputParser[T]`，泛型 `T` 表示返回类型\n",
|
||
"- 必须实现 `parse(self, text: str) -> T` 方法\n",
|
||
"- `text` 是模型输出的字符串（已经过 `StrOutputParser` 提取 `.content`）\n",
|
||
"- 可以在 `parse` 中做任何字符串处理：切分、清洗、正则匹配、校验等\n",
|
||
"\n",
|
||
"自定义解析器的优势是完全可控，适合处理模型输出不规范的情况。"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {},
|
||
"source": [
|
||
"## 8. 完整示例：结构化数据提取\n",
|
||
"\n",
|
||
"下面是一个综合示例：从一段商品评价中同时提取评分、优点、缺点和关键词。"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "code",
|
||
"execution_count": null,
|
||
"metadata": {},
|
||
"outputs": [],
|
||
"source": [
|
||
"from langchain_openai import ChatOpenAI\n",
|
||
"from langchain_core.prompts import ChatPromptTemplate\n",
|
||
"from langchain_core.output_parsers import PydanticOutputParser\n",
|
||
"from pydantic import BaseModel, Field\n",
|
||
"\n",
|
||
"llm = ChatOpenAI(model='qwen3.6-35b-A3b', temperature=0.1)\n",
|
||
"\n",
|
||
"class Review(BaseModel):\n",
|
||
" sentiment: str = Field(description='整体情感，正面/负面/中性')\n",
|
||
" pros: list[str] = Field(description='优点列表')\n",
|
||
" cons: list[str] = Field(description='缺点列表')\n",
|
||
" keywords: list[str] = Field(description='关键词列表')\n",
|
||
"\n",
|
||
"parser = PydanticOutputParser(pydantic_object=Review)\n",
|
||
"\n",
|
||
"prompt = ChatPromptTemplate.from_messages([\n",
|
||
" ('system', '''你是一个商品评价分析助手。请从评价中提取结构化信息。\\n\n",
|
||
"{format_instructions}\\n\n",
|
||
"只输出 JSON，不要其他内容。'''),\n",
|
||
" ('user', '商品评价：{review}')\n",
|
||
"])\n",
|
||
"\n",
|
||
"prompt_with_format = prompt.partial(format_instructions=parser.get_format_instructions())\n",
|
||
"\n",
|
||
"chain = prompt_with_format | llm | parser\n",
|
||
"\n",
|
||
"review_text = '''这款手机外观很漂亮，拍照效果也不错。\n",
|
||
"但是电池续航一般，充电速度有点慢。\n",
|
||
"总体来说性价比还可以。'''\n",
|
||
"\n",
|
||
"result = chain.invoke({'review': review_text})\n",
|
||
"\n",
|
||
"print('情感：', result.sentiment)\n",
|
||
"print('优点：', result.pros)\n",
|
||
"print('缺点：', result.cons)\n",
|
||
"print('关键词：', result.keywords)"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {},
|
||
"source": [
|
||
"## 9. 常见解析器对比\n",
|
||
"\n",
|
||
"| 解析器 | 返回类型 | 适用场景 |\n",
|
||
"| --- | --- | --- |\n",
|
||
"| `StrOutputParser` | `str` | 只需要文本内容 |\n",
|
||
"| `JsonOutputParser` | `dict` | 需要 JSON 字典 |\n",
|
||
"| `PydanticOutputParser` | Pydantic 对象 | 需要类型校验和结构化对象 |\n",
|
||
"| `CommaSeparatedListOutputParser` | `list[str]` | 逗号分隔的列表 |\n",
|
||
"| `手动 try-except + LLM 修复` | 依赖被包装的解析器 | 自动修复格式错误 |\n",
|
||
"| 自定义 `BaseOutputParser` | 任意类型 | 特殊格式或复杂后处理 |"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {},
|
||
"source": [
|
||
"## 10. 本节课练习\n",
|
||
"\n",
|
||
"1. 使用 `StrOutputParser()` 构建一个链，让模型介绍一门编程语言，验证返回类型是否为 `str`\n",
|
||
"2. 使用 `JsonOutputParser()` 从一段地址文本中提取省、市、区、街道，输出为 JSON 字典\n",
|
||
"3. 定义一个 Pydantic 模型 `BookInfo`（书名、作者、出版年份、类型），用 `PydanticOutputParser` 从文本中提取图书信息\n",
|
||
"4. 使用 `CommaSeparatedListOutputParser()` 让模型列出学习 LangChain 的 5 个关键知识点\n",
|
||
"5. 尝试让模型故意输出不规范的 JSON，然后用 `手动 try-except + LLM 修复` 包装 `JsonOutputParser` 观察是否能修复"
|
||
]
|
||
}
|
||
],
|
||
"metadata": {
|
||
"kernelspec": {
|
||
"display_name": ".venv",
|
||
"language": "python",
|
||
"name": "python3"
|
||
},
|
||
"language_info": {
|
||
"codemirror_mode": {
|
||
"name": "ipython",
|
||
"version": 3
|
||
},
|
||
"file_extension": ".py",
|
||
"mimetype": "text/x-python",
|
||
"name": "python",
|
||
"nbconvert_exporter": "python",
|
||
"pygments_lexer": "ipython3",
|
||
"version": "3.11.3"
|
||
}
|
||
},
|
||
"nbformat": 4,
|
||
"nbformat_minor": 4
|
||
}
|