上一P实在是太多内容了，没招了哈哈哈。

现在来讲讲输出部分的内容吧：

1.在agent的构建中，其实我们有时候可能更需要的是一种结构化的数据，这种数据更稳定一些。

首先是这个代码：

关键代码其实是

这一部分，其实我们只需要将大模型的内容给它就行。但过程是这样的：我们先需要利用JsonOutputParser()这个类去构建一个对象，然后通过这个对象去调用invoke()方法，把大模型的一堆输出他。他就可以解析出来值。

创建JSON输出解析器实例

parser = JsonOutputParser()

调用解析器处理结果数据，将输入转换为JSON格式的响应

response = parser.invoke(result)

返回的是下面这样的一个字典：

python 复制代码

"""
JsonOutputParser，即JSON输出解析器，
是一种用于将大模型的自由文本输出转换为结构化JSON数据的工具。

本案例是：指定提示词指明返回 json 格式
"""

from langchain_core.output_parsers import StrOutputParser, JsonOutputParser
from langchain_core.prompts import ChatPromptTemplate
import os
from langchain.chat_models import init_chat_model
from loguru import logger

# 创建聊天提示模板，包含系统角色设定和用户问题输入
chat_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个{role}，请简短回答我提出的问题，结果返回json格式，q字段表示问题，a字段表示答案。"),
    ("human", "请回答:{question}")
])

# 使用指定的角色和问题生成具体的提示内容
prompt = chat_prompt.invoke({"role": "AI助手", "question": "什么是LangChain，简洁回答100字以内"})
logger.info(prompt)

# 初始化模型
model = init_chat_model(
    model="qwen-plus",
    model_provider="openai",
    api_key=
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)

# 调用模型获取回答结果
result = model.invoke(prompt)
logger.info(f"模型原始输出:\n{result}")

print("*" *  60)


# 创建JSON输出解析器实例
parser = JsonOutputParser()
# 调用解析器处理结果数据，将输入转换为JSON格式的响应
response = parser.invoke(result)
logger.info(f"解析后的结构化结果:\n{response}")
logger.info("\n")
# 打印类型
logger.info(f"结果类型: {type(response)}") # <class 'dict'>

当我们需要指定结构化输出的内容与形态的时候：

python 复制代码

from langchain_core.output_parsers import StrOutputParser, JsonOutputParser
from langchain_core.prompts import ChatPromptTemplate
import os
from langchain.chat_models import init_chat_model
from loguru import logger
from pydantic import BaseModel, Field
class Person(BaseModel):
    """
    定义一个新闻结构化的数据模型类
    属性:
        time (str): 新闻发生的时间
        person (str): 新闻涉及的人物
        event (str): 发生的具体事件
    """
    time: str = Field(description="时间") #
    person: str = Field(description="人物")
    event: str = Field(description="事件")

# 创建JSON输出解析器，用于将model输出解析为Person对象
parser = JsonOutputParser(pydantic_object=Person)

我们需要构建一个pydantic的数据模型类。然后去描述一下我们到底需要什么样的一些元素要素。

这样的话就可以得到下面这样的json格式的内容

当我们需要比较严格地限制输入的时候：可以利用关下面的这个Annotated去生成变量。

他这个就是专门来设置约束的。

python 复制代码

from typing import Annotated
from pydantic import BaseModel, Field, ValidationError

# 用Annotated结合Field设置范围约束，兼具注释和运行时校验能力
Age = Annotated[int, Field(ge=0, le=150, description="年龄，范围0-150")]

class Person(BaseModel):
    name: str
    age: int
    age2: Age

try:
    p = Person(name="z3", age=11, age2=188)
    print(p)
except ValidationError as e:
    print("数据校验失败：")
    print(e)

差不多要结束了，复得好累。今天晚上决定跟前女友去打一个电话，我想去看看能不能当朋友。祝福我吧各位，希望她能听我说话，希望她能听得到吧。

langchain尚硅谷day1-3 p2

创建JSON输出解析器实例

调用解析器处理结果数据，将输入转换为JSON格式的响应