该教程旨在带大家从 0 起步，掌握用 Python 开发大模型应用的技能。若当前内容让你感到晦涩，可回溯本合集的前期文章，降低学习难度。

---

1. 为什么要学“输出解析器”？

|没有解析器|有了解析器| |-|-| |AI 想回啥就回啥，格式千奇百怪|让 AI 先立规矩再说话| |正则/字符串切割写到崩溃|一行代码直接拿到 Python 对象| |线上崩了才发现格式变了|解析失败就抛异常，提前暴露问题|

---

2. CommaSeparatedListOutputParser（逗号列表解析器）

2.1. 它到底干啥？

• 给模型下指令：请用英文逗号 , 把答案分开 • 帮你解析：把 "#ff0000,#00ff00,#0000ff" 直接变成 ['#ff0000','#00ff00','#0000ff']

2.2. 具体实践

2.2.1. 安装

pip install langchain langchain-deepseek

2.2.2. 创建解析器

from langchain.output_parsers import CommaSeparatedListOutputParser

parser = CommaSeparatedListOutputParser()
# 打印看看解析器生成的“命令”长啥样
print(parser.get_format_instructions())
# 输出：Your response should be a list of items separated by commas...

2.2.3. 把“命令”塞进提示词

from langchain.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一名色彩设计师。{format_instructions}"),
    ("human", "请给出 5 个符合{theme}主题的背景色十六进制色号"),
])

2.2.4. 调用模型

from langchain_deepseek import ChatDeepSeek

llm = ChatDeepSeek(model="deepseek-chat", temperature=0)

prompt_with_fmt = prompt.format_prompt(
    format_instructions=parser.get_format_instructions(),
    theme="夏季"
)
response = llm.invoke(prompt_with_fmt.to_messages())
colors = parser.parse(response.content)
print(colors)   # ['#87CEEB', '#FFA07A', '#32CD32', '#FFD700', '#FF69B4']

---

3. PydanticOutputParser（JSON → Python 对象）

3.1. 它到底干啥？

• 给模型下指令：请按 JSON Schema 输出 • 帮你解析：把 JSON 字符串直接变成 Python 数据类（Pydantic 模型）

3.2. 具体实践

3.2.1. 定义“说明书”

from typing import List
from pydantic import BaseModel, Field

class BookInfo(BaseModel):
    book_name: str  = Field(..., description="书名")
    book_author: str = Field(..., description="作者")
    genres: List[str] = Field(..., description="题材列表")

3.2.2. 创建解析器

from langchain.output_parsers import PydanticOutputParser

parser = PydanticOutputParser(pydantic_object=BookInfo)
print(parser.get_format_instructions())
# 输出：The JSON should have fields "book_name", "book_author", "genres"...

3.2.3. 塞进提示词

prompt = ChatPromptTemplate.from_messages([
    ("system", "从用户提供的原始文本中提取书籍信息。{format_instructions}"),
    ("human", "{raw_text}"),
])

3.2.4. 调用模型

raw = "《三体》是刘慈欣写的硬核科幻巨作，涉及文明冲突和宇宙社会学。"
book: BookInfo = (prompt | llm | parser).invoke({"raw_text": raw})
print(book.book_name)   # 三体
print(book.book_author) # 刘慈欣
print(book.genres)      # ['科幻', '文明冲突', '宇宙社会学']

如果 AI 把字段拼错或类型不对，Pydantic 会立即抛出 ValidationError，帮你提前发现。

---

4. LangChain LCEL 管道写法（| 符号到底啥意思？）

4.1. 一句话理解

把 提示 → 调用模型 → 解析结果 像乐高一样串成一条链，数据从左到右自动流动。

4.2. 从最熟悉的 “函数组合” 开始

# 传统写法
out = func3(func2(func1(data)))

# 管道写法
chain = func1 | func2 | func3
out = chain.invoke(data)

在 LangChain 里：

• func1 是 PromptTemplate

• func2 是 LLM

• func3 是 OutputParser

4.3. 优点一览

|场景|传统写法|管道写法| |-|-|-| |加日志|手动包函数|chain = chain.with_listeners(...)| |加缓存|手动写缓存|chain = chain.with_cache()| |并行/批处理|手写循环|chain.batch([...])| |类型提示|弱|全程保持类型安全|

4.4 最小可运行示例

from langchain.prompts import ChatPromptTemplate
from langchain.output_parsers import CommaSeparatedListOutputParser
from langchain_deepseek import ChatDeepSeek

parser = CommaSeparatedListOutputParser()
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一名色彩设计师。{format_instructions}"),
    ("human", "请给出 3 个符合{theme}主题的背景色")
]).partial(format_instructions=parser.get_format_instructions())

llm = ChatDeepSeek(model="deepseek-chat", temperature=0)

# 一行完成 prompt → llm → parser
chain = prompt | llm | parser
colors = chain.invoke({"theme": "夏日清凉"})
print(colors)   # ['#87CEEB', '#32CD32', '#FFD700']

---

5. 完整示例代码

5.1. 输出颜色列表

from langchain.prompts import ChatPromptTemplate
from langchain.output_parsers import CommaSeparatedListOutputParser
from langchain_deepseek import ChatDeepSeek


def get_theme_colors_common(theme): 
    # 1. 创建解析器
    parser = CommaSeparatedListOutputParser()

    # 2. 构建提示词模版
    prompt = ChatPromptTemplate.from_messages([
        ("system", "你是一名色彩设计师。{format_instructions}"),
        ("human", "请给出 5 个符合{theme}主题的背景色十六进制色号"),
    ])

    # 3. 把解析器塞进模版
    prompt_with_fmt = prompt.format_prompt(format_instructions=parser.get_format_instructions(), theme=theme)

    llm = ChatDeepSeek(model="deepseek-chat", temperature=0)

    # 4. 调用模型
    response = llm.invoke(prompt_with_fmt.to_messages())

    return parser.parse(response.content)

def get_theme_colors_pipeline(theme):
    # 1. 创建解析器
    parser = CommaSeparatedListOutputParser()

    # 2. 构建提示词模版
    prompt = ChatPromptTemplate.from_messages([
        ("system", "你是一名色彩设计师。{format_instructions}"),
        ("human", "请给出 5 个符合{theme}主题的背景色十六进制色号"),
    ])

    # 3. 把解析器塞进模版
    prompt_with_fmt = prompt.partial(format_instructions=parser.get_format_instructions())

    llm = ChatDeepSeek(model="deepseek-chat", temperature=0)

    # 4. 调用模型
    chain = prompt_with_fmt | llm | parser

    return chain.invoke({"theme": theme})

if __name__ == "__main__":
    common_colors = get_theme_colors_common("夏季")
    pipeline_colors = get_theme_colors_pipeline("夏季")

    print(common_colors)
    print(pipeline_colors)

5.2. 解析书籍信息

from typing import List
from pydantic import BaseModel, Field
from langchain.output_parsers import PydanticOutputParser
from langchain_deepseek import ChatDeepSeek
from langchain.prompts import ChatPromptTemplate

class BookInfo(BaseModel):
    book_name: str = Field(..., description="书名")
    book_author: str = Field(..., description="作者")
    genres: List[str] = Field(..., description="题材列表")

parser = PydanticOutputParser(pydantic_object=BookInfo)

prompt = ChatPromptTemplate.from_messages([
    ("system", "从用户提供的原始文本中提取书籍信息。{format_instructions}"),
    ("human", "{raw_text}"),
])

prompt_with_fmt = prompt.partial(format_instructions=parser.get_format_instructions())

llm = ChatDeepSeek(model="deepseek-chat", temperature=0)

raw = "《三体》是刘慈欣写的硬核科幻巨作，涉及文明冲突和宇宙社会学。"

book: BookInfo = (prompt_with_fmt | llm | parser).invoke({"raw_text": raw})

print(book.book_name)
print(book.book_author)
print(book.genres)