本文将详细介绍LangChain的输出解析器OutputParser的使用方法，以及如何基于LangChain的LCEL构建链。我们将通过实例来展示这些功能，帮助您更好地理解和使用LangChain。
一、输出解析器OutputParser
1.1 为什么需要OutputParser
在使用LangChain构建LLM应用的常规流程中，我们需要进行Prompt输入、调用LLM、以及处理LLM的输出。有时候，我们期望LLM给到的数据是格式化的数据，这样可以方便我们进行后续的处理。
为了实现这个目标，我们需要在Prompt里设置好要求，然后LLM会在输出内容后，再将内容传给输出解析器，输出解析器会将内容解析成我们预期的格式。
1.2 代码实践
1.2.1 调用系统自带的输出解析器
我们可以使用系统自带的输出解析器来解析LLM的结果。例如，我们可以将LLM的结果解析为逗号分隔的列表。以下是一个示例，它询问某个城市有N个景点。
from langchain_openai import ChatOpenAI
from langchain.output_parsers import CommaSeparatedListOutputParser
from langchain.prompts import ChatPromptTemplate
prompt = ChatPromptTemplate.from_messages([
("system", "{parser_instructions}"),
("human", "列出{cityName}的{viewPointNum}个著名景点。")
])
output_parser = CommaSeparatedListOutputParser()
parser_instructions = output_parser.get_format_instructions()
# 查看解析器的指令内容
print(parser_instructions)
final_prompt = prompt.invoke({"cityName": "南京", "viewPointNum": 3, "parser_instructions": parser_instructions})
model = ChatOpenAI(model="gpt-3.5-turbo",
openai_api_key="sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx",
openai_api_base="https://api.aigc369.com/v1")
response = model.invoke(final_prompt)
print(response.content)
ret = output_parser.invoke(response)
print(ret)1.2.2 自定义格式的输出解析器
除了使用系统自带的输出格式，我们还可以使用自定义的输出格式。使用步骤如下：
定义数据结构类，继承pydantic的BaseModel
使用输出解析器PydanticOutputParser
后续是常规操作：生成prompt、调用LLM执行、将输出按照Parser解析
以下是一个示例，它给LLM一段书籍的介绍，让他按照指定的格式总结输出。
from typing import List
from langchain.output_parsers import PydanticOutputParser
from langchain.prompts import ChatPromptTemplate
from langchain.schema import HumanMessage
from langchain_core.pydantic_v1 import BaseModel, Field
from langchain_openai import ChatOpenAI
class BookInfo(BaseModel):
book_name: str = Field(description="书籍的名字")
author_name: str = Field(description="书籍的作者")
genres: List[str] = Field(description="书籍的体裁")
output_parser = PydanticOutputParser(pydantic_object=BookInfo)
# 查看输出解析器的内容，会被输出成json格式
print(output_parser.get_format_instructions())
prompt = ChatPromptTemplate.from_messages([
("system", "{parser_instructions} 你输出的结果请使用中文。"),
("human", "请你帮我从书籍的概述中，提取书名、作者，以及书籍的体裁。书籍概述会被三个#符号包围。\n###{book_introduction}###")
])
book_introduction = """
《朝花夕拾》原名《旧事重提》，是现代文学家鲁迅的散文集，收录鲁迅于1926年创作的10篇回忆性散文， [1]1928年由北京未名社出版，现编入《鲁迅全集》第2卷。
此文集作为“回忆的记事”，多侧面地反映了作者鲁迅青少年时期的生活，形象地反映了他的性格和志趣的形成经过。前七篇反映他童年时代在绍兴的家庭和私塾中的生活情景，后三篇叙述他从家乡到南京，又到日本留学，然后回国教书的经历；揭露了半殖民地半封建社会种种丑恶的不合理现象，同时反映了有抱负的青年知识分子在旧中国茫茫黑夜中，不畏艰险，寻找光明的困难历程，以及抒发了作者对往日亲友、师长的怀念之情 [2]。
文集以记事为主，饱含着浓烈的抒情气息，往往又夹以议论，做到了抒情、叙事和议论融为一体，优美和谐，朴实感人。作品富有诗情画意，又不时穿插着幽默和讽喻；形象生动，格调明朗，有强烈的感染力。
"""
model = ChatOpenAI(model="gpt-3.5-turbo",
openai_api_key="sk-BuQK7SGbqCZP2i2z7fF267AeD0004eF095AbC78d2f79E019",
openai_api_base="https://api.aigc369.com/v1")
final_prompt = prompt.invoke({"book_introduction": book_introduction,
"parser_instructions": output_parser.get_format_instructions()})
response = model.invoke(final_prompt)
print(response.content)
result = output_parser.invoke(response)
print(result)二、利用LCEL构建链
2.1 LCEL是啥
LCEL是LangChain 表达式语言（LangChain Expression Language）的简称。使用LCEL可以快速将各种链组合到一起，那链又是啥呢？
在LangChain里，只要一个类实现了Runnable接口，并且有invoke方法，都可以成为链。实现了Runnable接口的类，可以拿上一个链的输出作为自己的输入。
2.2 使用区别
2.2.1 不使用LCEL
如果我们不使用LCEL，代码写起来可能会比较繁琐，invoke方法会满天飞。比如这样：
final_prompt = prompt.invoke({"book_introduction": book_introduction,
"parser_instructions": output_parser.get_format_instructions()})
response = model.invoke(final_prompt)
result = output_parser.invoke(response)2.2.2 使用LCEL
如果我们使用LCEL，代码会变得更加简洁，表达力也会更强。比如这样：文章来源：https://www.toymoban.com/diary/system/775.html
chain = prompt | model | output_parser
ret = chain.invoke({"book_introduction": book_introduction,
"parser_instructions": output_parser.get_format_instructions()})
文章来源地址https://www.toymoban.com/diary/system/775.html
到此这篇关于LangChain输出解析器与链的深度解析的文章就介绍到这了,更多相关内容可以在右上角搜索或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
