Model I/O进阶

目录

• [1 结构化输出 OutputParser](#1 结构化输出 OutputParser)
• • [1.1 普通 JsonOutputParser（提示约束）](#1.1 普通 JsonOutputParser（提示约束）)
  • [1.2 原生结构化输出（厂商接口能力）](#1.2 原生结构化输出（厂商接口能力）)
  • [1.3 其他解析器](#1.3 其他解析器)
• [2 ChatPromptTemplate 提示词模板](#2 ChatPromptTemplate 提示词模板)
• [3 LCEL 链式表达式（核心 Runnable）](#3 LCEL 链式表达式（核心 Runnable）)
• • [3.1 Runnable 统一接口](#3.1 Runnable 统一接口)
  • [3.2 RunnableSequence 串行流水线（最常用）](#3.2 RunnableSequence 串行流水线（最常用）)
  • [3.3 RunnableParallel 并行执行](#3.3 RunnableParallel 并行执行)
  • [3.4 其他常用 Runnable](#3.4 其他常用 Runnable)
• [4 本章小结](#4 本章小结)

---

1 结构化输出 OutputParser

1.1 普通 JsonOutputParser（提示约束）

流程： 1 用 Pydantic 定义输出结构 2 解析器生成格式要求注入 System 提示 3 LLM 输出后自动转为 Python 对象

from pydantic import BaseModel,Field
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import JsonOutputParser

class PrimeModel(BaseModel):
    prime: list[int] = Field(description="1000-10000素数列表")
    count: int = Field(description="素数个数")

parser = JsonOutputParser(pydantic_object=PrimeModel)
llm = ChatOpenAI(temperature=0)
prompt = parser.get_format_instructions()
res = llm.invoke([("system",prompt),("user","生成5个1000~10000素数")])
data = parser.invoke(res)
print(type(data))

1.2 原生结构化输出（厂商接口能力）

OpenAI/Gemini 支持with_structured_output，无需手写约束提示：

class Event(BaseModel):
    name: str
    date: str
    people: list[str]
llm = ChatOpenAI(temperature=0)
new_llm = llm.with_structured_output(Event)
res = new_llm.invoke("Alice周五参加科技展")
print(res.name)

1.3 其他解析器

内置解析器：列表、XML、Markdown、纯文本 StrOutputParser

2 ChatPromptTemplate 提示词模板

支持变量占位，动态拼接对话上下文

from langchain_core.prompts import ChatPromptTemplate
prompt = ChatPromptTemplate.from_messages([
    ("system","你是{product}专业评测师"),
    ("human","分析{aspect1}和{aspect2}优缺点")
])
msg = prompt.invoke({"product":"iPhone16","aspect1":"性能","aspect2":"续航"})

3 LCEL 链式表达式（核心 Runnable）

3.1 Runnable 统一接口

所有组件（提示 / 模型 / 解析器）都拥有invoke/stream/batch/ainvoke，支持管道|拼接

3.2 RunnableSequence 串行流水线（最常用）

提示模板 → LLM → 输出解析

prompt = ChatPromptTemplate.from_template("讲{topic}段子")
llm = init_chat_model(model="gpt-4o-mini",model_provider="openai")
parser = StrOutputParser()
# LCEL管道
chain = prompt | llm | parser
res = chain.invoke({"topic":"大模型"})
print(res)

3.3 RunnableParallel 并行执行

同时运行多条链路，合并结果

trans_en = PromptTemplate.from_template("翻译{text}为英文") | llm | StrOutputParser()
trans_kr = PromptTemplate.from_template("翻译{text}为韩文") | llm | StrOutputParser()
# 并行字典写法
map_chain = {"en":trans_en,"kr":trans_kr}
res = map_chain.invoke({"text":"人工智能技术"})
print(res)

3.4 其他常用 Runnable

1 RunnableLambda：普通函数包装进流水线 2 RunnableBranch：if 分支路由 3 RunnablePassthrough：透传原始输入 4 RunnableWithFallbacks：异常降级兜底

4 本章小结

1 OutputParser 实现结构化 JSON 输出，分提示约束、原生两种方案 2 ChatPromptTemplate 实现动态变量提示词 3 LCEL 管道|快速组装业务流程，串行 / 并行是开发主流