六、LangChain——StrOutputParser和JsonOutputParser

一、StrOutputParser

1. 场景需求

以第一次模型的输出结果，拿去第二次询问模型

from langchain_core.prompts import PromptTemplate
from langchain_ollama import ChatOllama

model = ChatOllama(model="gemma4:12b")

prompt = PromptTemplate.from_template(
    "我是{band}乐队的粉丝，帮我推荐一首音乐，仅告知歌曲名称，无需其他内容"
)

chain = prompt | model

res = chain.stream({"band": "Beyond"})
for chunk in res:
    print(chunk, end="", flush=True)

现在需要：chain = prompt | model | model，参与链的构建的组件完全符合要求，但运行会报错

ValueError: Invalid input type <class 'langchain_core.messages.ai.AIMessageChunk'>. Must be a PromptValue, str, or list of BaseMessages.

首先，提示词模板PromptTemplate.from_template（即prompt ）是PromptValue类型

model的输入是PromptValue | str | Sequence[MessageLikeRepresentation]类型，输出是AIMessage类对象

故类型不对，通过LangChain内置的解析器StrOutputParser字符串输出解析器完成类型转换

2. StrOutputParser字符串输出解析

StrOutputParser是LangChain内置的简单字符串解析器

• 可以将AIMessage解析为简单的字符串，符合了模型invoke方法要求(可传入字符串，不接收AIMessage类型)
• 是Runnable接口的子类(可以加入链)

parser = StrOutputParser()

chain = prompt | model | parser |model

组件名称	输入类型	输出类型
PromptTemplate.from_template	可占位的str	PromptValue
model	PromptValue \ str \ SequenceMessageLikeRepresentation	AIMessage
StrOutputParser	AIMessage	str

3. 完整流程

chain = prompt | model | parser | model

prompt --输出--> PromptValue类型 -> model --输出--> AIMessage类型 -> parser --输出--> str类型 -> model --输出--> AIMessage类型，res为AIMessage类型，通过res.content()拿到模型输出的内容

from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import PromptTemplate
from langchain_ollama import ChatOllama

model = ChatOllama(model="gemma4:12b")

prompt = PromptTemplate.from_template(
    "我是{band}乐队的粉丝，你最喜欢的是哪首歌？仅输出一首歌曲的名称即可"
)

parser = StrOutputParser()

chain = prompt | model | parser | model

res = chain.stream({"band": "Beyond"})
for chunk in res:
    print(chunk.content, end="", flush=True)

也可以再加一个parser，拿到str类型，chain = prompt | model | parser | model | parser，res直接输出即可

from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import PromptTemplate
from langchain_ollama import ChatOllama

model = ChatOllama(model="gemma4:12b")

prompt = PromptTemplate.from_template(
    "我是{band}乐队的粉丝，你最喜欢的是哪首歌？仅输出一首歌曲的名称即可"
)

parser = StrOutputParser()

chain = prompt | model | parser | model | parser

res = chain.stream({"band": "Beyond"})
for chunk in res:
    print(chunk, end="", flush=True)

二、JsonOutputParser

1. 问题分析

StrOutputParser中有个问题：直接拿模型给的结果再次喂给模型，第一次模型给的数据并没有进行处理

即上一个模型的输出，没有被处理就输入给了下一个模型

标准的做法流程如下：

为了符合标准做法，需要加入数据处理和提示词模板功能

模型输入：PromptValue | str | Sequence[MessageLikeRepresentation]，输出：AIMessage

提示词模板输入：dict字典，输出PromptValue

数据处理：将AIMessage转为dict字典输出

2. 数据处理和提示词模板

数据处理：将AIMessage转为dict字典输出

StrOutputParser：AIMessage转为str

JsonOutputParser：AIMessage转为Dist(JSON)

from langchain_core.output_parsers import StrOutputParser, JsonOutputParser
from langchain_core.prompts import PromptTemplate
from langchain_ollama import ChatOllama

str_parser = StrOutputParser()
json_parser = JsonOutputParser()

model = ChatOllama(model="gemma4:12b")

first_prompt = PromptTemplate.from_template(
    "我朋友姓：{lastname}，刚生了一个{gender}，帮我起一个名字"
    "封装到Json格式返回，要求key是name，value是你给的名字，请简要回答，只需要提供一个名字即可，严格遵守格式要求。"
)

second_prompt = PromptTemplate.from_template(
    "姓名{name}，这个名字怎么样？"
)

"""
chain = first_prompt | model | json_parser
res = chain.invoke({"lastname":"薛","gender":"女"})
print(res) # {'name': '薛若汐'}
print(type(res)) #<class 'dict'>
"""

chain = first_prompt | model | json_parser | second_prompt | model | str_parser
res = chain.stream({"lastname": "薛", "gender": "女"})

for chunk in res:
    print(chunk, end="", flush=True)

chain = first_prompt | model | json_parser | second_prompt | model | str_parser

三、自定义函数加入链

StrOutputParser：AIMessage转为str

JsonOutputParser：AIMessage转为Dist(JSON)

LangChain还支持编写Lambda匿名函数来实现自定义逻辑的数据转换，需要基于RunnableLambda类实现

RunnaLambda类是LangChain内置的，将普通函数等转换为Runnable接口实例，方便自定义函数加入chain

语法：RunnableLambda(函数对象或lambda匿名函数)

通过自定义函数my_func = RunnableLambda(lambda ai_msg: {"name": ai_msg.content})实现自定义逻辑的数据转换，输入AIMessage，输出str（AIMessage的name所对应的内容）

from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import PromptTemplate
from langchain_core.runnables import RunnableLambda
from langchain_ollama import ChatOllama

str_parser = StrOutputParser()

# 输入：AIMessage  输出：Dict（"name":"XXX"）
my_func = RunnableLambda(lambda ai_msg: {"name": ai_msg.content})

model = ChatOllama(model="gemma4:12b")

first_prompt = PromptTemplate.from_template(
    "我朋友姓：{lastname}，刚生了一个{gender}，帮我起一个名字"
    "封装到Json格式返回，要求key是name，value是你给的名字，请简要回答，只需要提供一个名字即可，严格遵守格式要求。"
)

second_prompt = PromptTemplate.from_template(
    "姓名{name}，这个名字怎么样？"
)

"""
chain = first_prompt | model | (lambda ai_msg:{"name":ai_msg.content}) 
res = chain.stream({"lastname": "薛", "gender": "女"})

for chunk in res:
    print(chunk, end="", flush=True)
"""

chain = first_prompt | model | my_func | second_prompt | model | str_parser
res = chain.stream({"lastname": "燕", "gender": "女"})
for chunk in res:
    print(chunk, end="", flush=True)

chain中的或运算符是支持Callable参数的，故可以提供lambda直接传入