（ 教学 ）Agent 构建 Prompt（提示词）3. StructuredOutputParser （结构化输出）

StructuredOutputParser 小于 1.0 版本，推荐使用 PydanticOutputParser 大于 1.0

StructuredOutputParser"结构化输出解析器"是一款非常有用的工具，它能够将大型语言模型（LLM）的响应格式化为字典结构，从而能够以键/值对的形式返回多个字段。

虽然 Pydantic和 JSON解析器具备强大的功能，但StructuredOutputParser"结构化输出解析器"对于功能较弱的模型（例如参数较少的本地模型）尤其有效。对于与像 GPT或 Claude这样的高级模型相比智能程度较低的模型而言，它尤其有益。

通过使用结构化输出解析器，开发人员可以在各种 LLM 应用程序中保持数据的完整性和一致性，即使是在使用参数数量较少的模型时也是如此。

使用 ResponseSchema和 StructuredOutputParser(0.3版本以前的写法，1.0版本已经弃用，改为更加现代化的方式)

• 使用 ResponseSchema类定义响应模式，以包含用户问题的答案和所使用的来源（网站）的 description。

• 使用 response_schemas初始化 StructuredOutputParser，以根据定义的响应模式构建输出结构。

注意

在使用本地模型时，Pydantic解析器可能经常无法正常工作。在这种情况下，使用 StructuredOutputParser可以作为一个很好的替代解决方案。

所以对于这个情况后，在1.0版本中，推荐使用更加现代化的方式来实现结构化输出解析器。PydanticOutputParser 是一个基于 Pydantic 模型的解析器，它可以将 LLM 的响应解析为符合定义的 Pydantic 模型的实例。

现代化的结构化输出解析器 (1.0版本及以后)

方式1：使用 Pydantic 模型（推荐）

最灵活且功能最强大的方式，支持字段验证和嵌套结构：

from pydantic import BaseModel, Field
class ResponseSchema(BaseModel):
    answer: str = Field(description="用户问题的答案")
    source: str = Field(description="所使用的来源（网站）的描述")

方式2：使用 TypedDict（简洁）

当你不需要运行时验证时的轻量级方式：

from typing_extensions import TypedDict, Annotated

class ResponseSchema(TypedDict):
    answer: Annotated[str, Field(description="用户问题的答案")]
    source: Annotated[str, Field(description="所使用的来源（网站）的描述")]

使用方式1：使用 ResponseSchema

from langchain.agents import create_agent
from langchain_openai  import ChatOpenAI

Qwen2_5_7B_Instruct_llm = ChatOpenAI(
    temperature=0.1,  # 控制输出的随机性和创造性，值越低输出越稳定可预测，值越高输出越有创意但可能偏离预期 (范围: 0.0 ~ 2.0)
    model_name="Qwen/Qwen2.5-7B-Instruct",  # 硅基流动支持的模型名称
    openai_api_key=os.getenv("SILICONFLOW_API_KEY"),  # 从环境变量获取API密钥
    openai_api_base="https://api.siliconflow.cn/v1"  # 硅基流动API的基础URL
)
template="尽可能好地回答用户的问题。\n{format_instructions}\n{question}"

agent = create_agent(
    model=Qwen2_5_7B_Instruct_llm,
    response_format=ResponseSchema,  # Agent 最终返回结构化格式
    system_prompt=system_prompt
)
agent.invoke({"question": "世界上最大的沙漠是什么？"})

使用方式2：使用 PydanticOutputParser

from langchain.agents import create_agent
from langchain_openai  import ChatOpenAI
from langchain_core.output_parsers import PydanticOutputParser

Qwen2_5_7B_Instruct_llm = ChatOpenAI(
    temperature=0.1,  # 控制输出的随机性和创造性，值越低输出越稳定可预测，值越高输出越有创意但可能偏离预期 (范围: 0.0 ~ 2.0)
    model_name="Qwen/Qwen2.5-7B-Instruct",  # 硅基流动支持的模型名称
    openai_api_key=os.getenv("SILICONFLOW_API_KEY"),  # 从环境变量获取API密钥
    openai_api_base="https://api.siliconflow.cn/v1"  # 硅基流动API的基础URL
)
template="尽可能好地回答用户的问题。\n{format_instructions}\n{question}"

parser = PydanticOutputParser(pydantic_object=ResponseSchema)
prompt = template.format(format_instructions=parser.get_format_instructions())

chain = prompt | Qwen2_5_7B_Instruct_llm | output_parser  # 连接提示词、模型和输出解析器

# 提问："世界上最大的沙漠是什么？"
chain.invoke({"question": "世界上最大的沙漠是什么？"})

使用流式输出

使用 chain.stream方法来接收对 question的流式响应："一支足球队有多少名球员？"

for chunk in chain.stream({"question": "一支足球队有多少名球员？"}):
    print(chunk)
名球员？"
```python
for chunk in chain.stream({"question": "一支足球队有多少名球员？"}):
    print(chunk)