一、输出解析器介绍

1.为什么需要输出解析器

语言模型返回的内容通常都是字符串的格式（文本格式），但在实际AI应用开发过程中，往往希望

model可以返回更直观、更格式化的内容，以确保应用能够顺利进行后续的逻辑处理。此时，LangChain提供的输出解析器就派上用场了。

输出解析器（Output Parser）负责获取 model 的输出并将其转换为更合适的格式。这在应用开发中极其重要。

LangChain 输出解析器可参考文档：https://reference.langchain.com/python/langchain_core/output_parsers/

2.什么是输出解析器

输出解析器是LangChain框架中的重要组件，它的作用是将大语言模型的原始输出内容解析为如JSON、XML、YAML等结构化数据。在LangChain中，输出解析器位于模型和最终数据输出之间，作为数据处理的中间层。通过输出解析器，可以实现如下目的：

• 指定格式输出：将模型的文本输出转换指定格式
• 数据校验：确保输出内容符合预期的格式和类型
• 错误处理：当解析失败时，进行错误修复和重试
• 输出格式提示词：生成对应格式要求的提示词，如要生成JSON的具体描述，可以通过提示词传递给大模型，达到返回特定格式数据的目的

3.输出解析器分类

LangChain提供了多种输出解析器，以下是常见的输出解析器及使用场景：

解析器类型	适用场景	输出格式
StrOutputParser	简单文本输出	字符串
JsonOutputParser	JSON格式数据	字典/列表
PydanticOutputParser	复杂结构化数据	Pydantic模型对象
ListOutputParser	列表数据	Python列表
DatetimeOutputParser	时间日期数据	datetime对象
BooleanOutputParser	布尔值输出	True/False

4.输出解析器方法

parse：将大模型输出的内容，格式化成指定的格式返回。

format_instructions：它会返回一段清晰的格式说明字符串，告诉 model 希望输出成什么格式（比如 JSON，或者特定格式）。

5.输出解析器类继承关系

分析LangChain源码可知，在 LangChain 的类结构中，顶层基类是 BaseLLMOutputParser，用于定义所有 LLM 输出解析器的抽象父类。而BaseTransformOutputParser是一个泛型类，用于“对模型输出进行转换”，我们常用的 StrOutputParser、ListOutputParser等均继承自 BaseTransformOutputParser。

二、常用输出解析器用法

1.字符串解析器

StrOutputParser是LangChain中最简单的输出解析器，它可以简单地将任何输入转换为字符串。从结果中提取content字段转换为字符串输出。

from langchain_core.output_parsers import StrOutputParserfrom langchain_core.prompts import ChatPromptTemplatefrom langchain_ollama import ChatOllamafrom 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"),    ("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"})logger.info(prompt)# 初始化Ollama聊天模型，使用qwen3:14b模型并关闭推理模式model = ChatOllama(model="qwen3:14b", reasoning=False)# 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}")# 创建字符串输出解析器，用于解析模型返回的结果parser = StrOutputParser ()# 打印解析后的结构化结果response = parser.invoke(result)logger.info(f"解析后的结构化结果:\n{response}")# 打印类型logger.info(f"结果类型: {type(response)}")

执行结果：

2025-10-26 09:21:17.693 | INFO     | __main__:<module>:14 - messages=[SystemMessage(content='你是一个AI助手，请简短回答我提出的问题', additional_kwargs={}, response_metadata={}), HumanMessage(content='请回答:什么是LangChain', additional_kwargs={}, response_metadata={})]2025-10-26 09:21:18.755 | INFO     | __main__:<module>:21 - 模型原始输出:content='LangChain 是一个用于构建基于语言模型的应用程序的框架，它提供了一系列工具和模块，帮助开发者更高效地创建和集成大型语言模型（LLM）到各种应用中。' additional_kwargs={} response_metadata={'model': 'qwen3:14b', 'created_at': '2025-10-26T01:21:18.755088718Z', 'done': True, 'done_reason': 'stop', 'total_duration': 994595117, 'load_duration': 16219578, 'prompt_eval_count': 38, 'prompt_eval_duration': 3534602, 'eval_count': 42, 'eval_duration': 972211135, 'model_name': 'qwen3:14b', 'model_provider': 'ollama'} id='lc_run--d26777d2-85e0-426a-8e2f-d4bf9403f5ae-0' usage_metadata={'input_tokens': 38, 'output_tokens': 42, 'total_tokens': 80}2025-10-26 09:21:18.756 | INFO     | __main__:<module>:28 - 解析后的结构化结果:LangChain 是一个用于构建基于语言模型的应用程序的框架，它提供了一系列工具和模块，帮助开发者更高效地创建和集成大型语言模型（LLM）到各种应用中。2025-10-26 09:21:18.756 | INFO     | __main__:<module>:31 - 结果类型: <class 'str'>

2.Json 解析器

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。

适合场景：特别适用于需要严格结构化输出的场景，比如 API 调用、数据存储或下游任务处理。

实现方式：

• 用户自己通过提示词指明返回Json格式
• 借助JsonOutputParser的get_format_instructions() ，生成格式说明，指导模型输出JSON 结构

指定提示词指明返回 json 格式

from langchain_core.output_parsers import StrOutputParser, JsonOutputParserfrom langchain_core.prompts import ChatPromptTemplatefrom langchain_ollama import ChatOllamafrom 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"})logger.info(prompt)# 初始化Ollama聊天模型，使用qwen3:14b模型并关闭推理模式model = ChatOllama(model="qwen3:14b", reasoning=False)# 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}")# 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}")# 打印类型logger.info(f"结果类型: {type(response)}")

执行结果如下

2025-10-26 09:22:49.818 | INFO     | __main__:<module>:14 - messages=[SystemMessage(content='你是一个AI助手，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。', additional_kwargs={}, response_metadata={}), HumanMessage(content='请回答:什么是LangChain', additional_kwargs={}, response_metadata={})]2025-10-26 09:22:51.206 | INFO     | __main__:<module>:21 - 模型原始输出:content='```json\n{\n  "q": "什么是LangChain",\n  "a": "LangChain是一个用于构建应用程序的框架，它使开发人员能够利用大型语言模型（LLMs）和提示工程，以创建更复杂和实用的应用程序。"\n}\n```' additional_kwargs={} response_metadata={'model': 'qwen3:14b', 'created_at': '2025-10-26T01:22:51.206190176Z', 'done': True, 'done_reason': 'stop', 'total_duration': 1324524815, 'load_duration': 14647905, 'prompt_eval_count': 54, 'prompt_eval_duration': 4026242, 'eval_count': 57, 'eval_duration': 1303445312, 'model_name': 'qwen3:14b', 'model_provider': 'ollama'} id='lc_run--07fad35e-f0eb-4233-8b16-515c91169e72-0' usage_metadata={'input_tokens': 54, 'output_tokens': 57, 'total_tokens': 111}2025-10-26 09:22:51.207 | INFO     | __main__:<module>:26 - 解析后的结构化结果:{'q': '什么是LangChain', 'a': 'LangChain是一个用于构建应用程序的框架，它使开发人员能够利用大型语言模型（LLMs）和提示工程，以创建更复杂和实用的应用程序。'}2025-10-26 09:22:51.207 | INFO     | __main__:<module>:29 - 结果类型: <class 'dict'>

使用get_format_instructions 生成格式说明。

from langchain_core.output_parsers import  JsonOutputParserfrom langchain_core.prompts import ChatPromptTemplatefrom langchain_ollama import ChatOllamafrom loguru import loggerfrom pydantic import BaseModel, Fieldclass 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)# 获取格式化指令，告诉model如何输出符合要求的JSON格式format_instructions = parser.get_format_instructions()# 创建聊天提示模板，定义系统角色和用户输入格式chat_prompt = ChatPromptTemplate.from_messages([    ("system", "你是一个AI助手，你只能输出结构化JSON数据。"),    ("human", "请生成一个关于{topic}的新闻。{format_instructions}")])# 格式化提示词，填入具体主题和格式化指令prompt = chat_prompt.format_messages(topic="小米", format_instructions=format_instructions)# 记录格式化后的提示词信息logger.info(prompt)# 初始化ChatOllama大语言模型实例model = ChatOllama(model="qwen3:14b", reasoning=False)# 调用大语言模型获取响应结果result = model.invoke(prompt)# 记录模型返回的结果logger.info(f"模型原始输出:\n{result}")# 使用解析器将模型输出解析为结构化数据response = parser.invoke(result)logger.info(f"解析后的结构化结果:\n{response}")# 打印类型logger.info(f"结果类型: {type(response)}")

执行结果：

2025-10-26 09:23:35.091 | INFO     | __main__:<module>:36 - [SystemMessage(content='你是一个AI助手，你只能输出结构化JSON数据。', additional_kwargs={}, response_metadata={}), HumanMessage(content='请生成一个关于小米的新闻。The output should be formatted as a JSON instance that conforms to the JSON schema below.\n\nAs an example, for the schema {"properties": {"foo": {"title": "Foo", "description": "a list of strings", "type": "array", "items": {"type": "string"}}}, "required": ["foo"]}\nthe object {"foo": ["bar", "baz"]} is a well-formatted instance of the schema. The object {"properties": {"foo": ["bar", "baz"]}} is not well-formatted.\n\nHere is the output schema:\n```\n{"description": "定义一个新闻结构化的数据模型类\\n\\n属性:\\n    time (str): 新闻发生的时间\\n    person (str): 新闻涉及的人物\\n    event (str): 发生的具体事件", "properties": {"time": {"description": "时间", "title": "Time", "type": "string"}, "person": {"description": "人物", "title": "Person", "type": "string"}, "event": {"description": "事件", "title": "Event", "type": "string"}}, "required": ["time", "person", "event"]}\n```', additional_kwargs={}, response_metadata={})]2025-10-26 09:23:36.920 | INFO     | __main__:<module>:45 - 模型原始输出:content='{\n  "time": "2023年10月15日",\n  "person": "小米公司创始人雷军",\n  "event": "小米公司发布了最新款旗舰手机小米13系列，并宣布与多家国际品牌展开深度合作，进一步拓展全球市场。"\n}' additional_kwargs={} response_metadata={'model': 'qwen3:14b', 'created_at': '2025-10-26T01:23:36.915198939Z', 'done': True, 'done_reason': 'stop', 'total_duration': 1757012613, 'load_duration': 25390056, 'prompt_eval_count': 286, 'prompt_eval_duration': 13543842, 'eval_count': 63, 'eval_duration': 1714587268, 'model_name': 'qwen3:14b', 'model_provider': 'ollama'} id='lc_run--f49fafc3-e52f-408b-a839-89f9b7a619af-0' usage_metadata={'input_tokens': 286, 'output_tokens': 63, 'total_tokens': 349}2025-10-26 09:23:36.920 | INFO     | __main__:<module>:49 - 解析后的结构化结果:{'time': '2023年10月15日', 'person': '小米公司创始人雷军', 'event': '小米公司发布了最新款旗舰手机小米13系列，并宣布与多家国际品牌展开深度合作，进一步拓展全球市场。'}2025-10-26 09:23:36.921 | INFO     | __main__:<module>:52 - 结果类型: <class 'dict'>

3.列表解析器

利用CommaSeparatedListOutputParser解析器，可以将模型的文本响应转换为一个用逗号分隔的列表（List[str]）

from langchain_core.output_parsers import CommaSeparatedListOutputParserfrom langchain_core.prompts import ChatPromptTemplatefrom langchain_ollama import ChatOllamafrom loguru import logger# 创建逗号分隔列表输出解析器实例parser = CommaSeparatedListOutputParser()# 获取格式化指令，用于指导模型输出格式format_instructions = parser.get_format_instructions()# 创建聊天提示模板，包含系统消息和人类消息# 系统消息定义了AI助手的行为规范和输出格式要求# 人类消息定义了具体的任务请求，使用占位符{topic}表示主题chat_prompt = ChatPromptTemplate.from_messages([    ("system", f"你是一个AI助手，你只能输出结构化列表数据。{format_instructions}"),    ("human", "请生成5个关于{topic}的内容")])# 格式化聊天提示消息，将占位符替换为实际值prompt = chat_prompt.format_messages(topic="小米", format_instructions=format_instructions)# 记录格式化后的提示消息logger.info(prompt)# 创建ChatOllama模型实例，指定使用的模型名称和推理模式model = ChatOllama(model="qwen3:14b", reasoning=False)# 调用模型执行推理，传入格式化的提示消息result = model.invoke(prompt)# 记录模型返回的原始结果logger.info(f"模型原始输出:\n{result}")# 使用解析器处理模型返回的结果，将其转换为结构化列表response = parser.invoke(result)logger.info(f"解析后的结构化结果:\n{response}")# 打印类型logger.info(f"结果类型: {type(response)}")

执行结果如下

2025-10-26 09:24:20.830 | INFO     | __main__:<module>:24 - [SystemMessage(content='你是一个AI助手，你只能输出结构化列表数据。Your response should be a list of comma separated values, eg: `foo, bar, baz` or `foo,bar,baz`', additional_kwargs={}, response_metadata={}), HumanMessage(content='请生成5个关于小米的内容', additional_kwargs={}, response_metadata={})]2025-10-26 09:24:21.195 | INFO     | __main__:<module>:33 - 模型原始输出:content='小米,手机,智能家居,性价比,生态链' additional_kwargs={} response_metadata={'model': 'qwen3:14b', 'created_at': '2025-10-26T01:24:21.194294372Z', 'done': True, 'done_reason': 'stop', 'total_duration': 300056068, 'load_duration': 15243857, 'prompt_eval_count': 69, 'prompt_eval_duration': 7562467, 'eval_count': 11, 'eval_duration': 274847866, 'model_name': 'qwen3:14b', 'model_provider': 'ollama'} id='lc_run--7275c44c-02a3-4d51-9fe9-7e200e87c003-0' usage_metadata={'input_tokens': 69, 'output_tokens': 11, 'total_tokens': 80}2025-10-26 09:24:21.195 | INFO     | __main__:<module>:37 - 解析后的结构化结果:['小米', '手机', '智能家居', '性价比', '生态链']2025-10-26 09:24:21.195 | INFO     | __main__:<module>:40 - 结果类型: <class 'list'>

4.XML 解析器

XMLOutputParser，将模型的自由文本输出转换为可编程处理的 XML 数据。

注意：XMLOutputParser 不会直接将模型的输出保持为原始XML字符串，而是会解析XML并转换成Python字典（或类似结构化的数据）。目的是为了方便程序后续处理数据，而不是单纯保留XML格式。

代码如下：

from langchain_core.output_parsers import XMLOutputParserfrom langchain_core.prompts import ChatPromptTemplatefrom langchain_ollama import ChatOllamafrom loguru import logger# 创建 XML 输出解析器实例parser = XMLOutputParser()# 获取格式化指令（这会告诉模型如何以 XML 格式输出）format_instructions = parser.get_format_instructions()# 创建提示模板chat_prompt = ChatPromptTemplate.from_messages([    ("system", f"你是一个AI助手，只能输出XML格式的结构化数据。{format_instructions}"),    ("human", "请生成5个关于{topic}的内容，每个内容包含<name>和<description>两个字段")])# 格式化提示，将 {topic} 替换为实际主题prompt = chat_prompt.format_messages(topic="小米", format_instructions=format_instructions)# 打印提示消息logger.info(prompt)# 创建 ChatOllama 模型实例model = ChatOllama(model="qwen3:14b", reasoning=False)# 执行推理result = model.invoke(prompt)# 记录模型原始输出logger.info(f"模型原始输出:\n{result.content}")# 解析 XML 输出为结构化 Python 对象（例如字典或列表）response = parser.invoke(result)# 打印解析后的结构化结果logger.info(f"解析后的结构化结果:\n{response}")# 打印类型logger.info(f"结果类型: {type(response)}")

执行结果如下

2025-10-26 09:18:48.265 | INFO     | __main__:<module>:22 - [SystemMessage(content='你是一个AI助手，只能输出XML格式的结构化数据。The output should be formatted as a XML file.\n1. Output should conform to the tags below.\n2. If tags are not given, make them on your own.\n3. Remember to always open and close all the tags.\n\nAs an example, for the tags ["foo", "bar", "baz"]:\n1. String "<foo>\n   <bar>\n      <baz></baz>\n   </bar>\n</foo>" is a well-formatted instance of the schema.\n2. String "<foo>\n   <bar>\n   </foo>" is a badly-formatted instance.\n3. String "<foo>\n   <tag>\n   </tag>\n</foo>" is a badly-formatted instance.\n\nHere are the output tags:\n```\nNone\n```', additional_kwargs={}, response_metadata={}), HumanMessage(content='请生成5个关于小米的内容，每个内容包含<name>和<description>两个字段', additional_kwargs={}, response_metadata={})]2025-10-26 09:18:53.270 | INFO     | __main__:<module>:31 - 模型原始输出:<items>  <item>    <name>小米手机</name>    <description>小米手机是小米公司推出的一系列智能手机，以高性能和亲民的价格著称。</description>  </item>  <item>    <name>小米电视</name>    <description>小米电视以其高清晰度的屏幕和智能功能，成为家庭娱乐的首选设备。</description>  </item>  <item>    <name>小米智能家居</name>    <description>小米智能家居提供一系列互联设备，使用户能够通过手机控制家中的各种设备。</description>  </item>  <item>    <name>小米手环</name>    <description>小米手环是一款功能丰富的智能手环，支持健康监测、运动记录等多种功能。</description>  </item>  <item>    <name>小米笔记本</name>    <description>小米笔记本以其轻便的设计和强大的性能，成为学生和办公用户的理想选择。</description>  </item></items>2025-10-26 09:18:53.270 | INFO     | __main__:<module>:37 - 解析后的结构化结果:{'items': [{'item': [{'name': '小米手机'}, {'description': '小米手机是小米公司推出的一系列智能手机，以高性能和亲民的价格著称。'}]}, {'item': [{'name': '小米电视'}, {'description': '小米电视以其高清晰度的屏幕和智能功能，成为家庭娱乐的首选设备。'}]}, {'item': [{'name': '小米智能家居'}, {'description': '小米智能家居提供一系列互联设备，使用户能够通过手机控制家中的各种设备。'}]}, {'item': [{'name': '小米手环'}, {'description': '小米手环是一款功能丰富的智能手环，支持健康监测、运动记录等多种功能。'}]}, {'item': [{'name': '小米笔记本'}, {'description': '小米笔记本以其轻便的设计和强大的性能，成为学生和办公用户的理想选择。'}]}]}2025-10-26 09:18:53.270 | INFO     | __main__:<module>:40 - 结果类型: <class 'dict'>

三、解析器进阶用法

1.Pydantic解析器

PydanticOutputParser 是 LangChain 输出解析器体系中最常用、最强大的结构化解析器之一。
它与 JsonOutputParser 类似，但功能更强 —— 能直接基于 Pydantic 模型 定义输出结构，并利用其类型校验与自动文档能力。 对于结构更复杂、具有强类型约束的需求，PydanticOutputParser 则是最佳选择。它结合了Pydantic模型的强大功能，提供了类型验证、数据转换等高级功能，使用示例如下：

from langchain_core.output_parsers import PydanticOutputParserfrom langchain_core.prompts import ChatPromptTemplatefrom langchain_ollama import ChatOllamafrom loguru import loggerfrom pydantic import BaseModel, Field, field_validatorclass Product(BaseModel):    """    产品信息模型类，用于定义产品的结构化数据格式    属性:        name (str): 产品名称        category (str): 产品类别        description (str): 产品简介，长度必须大于等于10个字符    """    name: str = Field(description="产品名称")    category: str = Field(description="产品类别")    description: str = Field(description="产品简介")    @field_validator("description")    def validate_description(cls, value):        """        验证产品简介字段的长度        参数:            value (str): 待验证的产品简介文本        返回:            str: 验证通过的产品简介文本        异常:            ValueError: 当产品简介长度小于10个字符时抛出        """        if len(value) < 10:            raise ValueError('产品简介长度必须大于等于10')        return value# 创建Pydantic输出解析器实例，用于解析模型输出为Product对象parser = PydanticOutputParser(pydantic_object=Product)# 获取格式化指令，用于指导模型输出符合Product模型的JSON格式format_instructions = parser.get_format_instructions()# 创建聊天提示模板，包含系统消息和人类消息prompt_template = ChatPromptTemplate.from_messages([    ("system", "你是一个AI助手，你只能输出结构化的json数据\n{format_instructions}"),    ("human", "请你输出标题为：{topic}的新闻内容")])# 格式化提示消息，填充主题和格式化指令prompt = prompt_template.format_messages(topic="小米", format_instructions=format_instructions)# 记录格式化后的提示消息logger.info(prompt)# 创建ChatOllama模型实例，使用qwen3:14b模型model = ChatOllama(model="qwen3:14b", reasoning=False)# 调用模型获取结果result = model.invoke(prompt)# 记录模型返回的结果logger.info(f"模型原始输出:\n{result.content}")# 使用解析器将模型结果解析为Product对象response = parser.invoke(result)# 打印解析后的结构化结果logger.info(f"解析后的结构化结果:\n{response}")# 打印类型logger.info(f"结果类型: {type(response)}")

执行结果：

2025-10-26 09:25:16.180 | INFO     | __main__:<module>:54 - [SystemMessage(content='你是一个AI助手，你只能输出结构化的json数据\nThe output should be formatted as a JSON instance that conforms to the JSON schema below.\n\nAs an example, for the schema {"properties": {"foo": {"title": "Foo", "description": "a list of strings", "type": "array", "items": {"type": "string"}}}, "required": ["foo"]}\nthe object {"foo": ["bar", "baz"]} is a well-formatted instance of the schema. The object {"properties": {"foo": ["bar", "baz"]}} is not well-formatted.\n\nHere is the output schema:\n```\n{"description": "产品信息模型类，用于定义产品的结构化数据格式\\n\\n属性:\\n    name (str): 产品名称\\n    category (str): 产品类别\\n    description (str): 产品简介，长度必须大于等于10个字符", "properties": {"name": {"description": "产品名称", "title": "Name", "type": "string"}, "category": {"description": "产品类别", "title": "Category", "type": "string"}, "description": {"description": "产品简介", "title": "Description", "type": "string"}}, "required": ["name", "category", "description"]}\n```', additional_kwargs={}, response_metadata={}), HumanMessage(content='请你输出标题为：小米的新闻内容', additional_kwargs={}, response_metadata={})]2025-10-26 09:25:17.837 | INFO     | __main__:<module>:63 - 模型原始输出:```json{  "name": "小米",  "category": "科技",  "description": "小米公司是一家专注于智能硬件、电子产品和互联网服务的中国科技公司，成立于2010年，以其高性价比的产品和创新技术而闻名。"}

2025-10-26 09:25:17.838 | INFO | main::69 - 解析后的结构化结果: name=‘小米’ category=‘科技’ description=‘小米公司是一家专注于智能硬件、电子产品和互联网服务的中国科技公司，成立于2010年，以其高性价比的产品和创新技术而闻名。’ 2025-10-26 09:25:17.838 | INFO | main::72 - 结果类型: <class ‘main.Product’>

## 自定义输出解析器在某些情况下，LangChain提供的内置的解析器无法满足业务的要求，这时我们可以创建自定义的输出解析器，如下示例，定义Answer数据模型，规定回答内容和标签格式，并使用自定义解析器将JSON数组标签转为《》格式。```pythonimport refrom langchain_core.output_parsers import PydanticOutputParserfrom langchain_core.prompts import ChatPromptTemplatefrom langchain_ollama import ChatOllamafrom loguru import loggerfrom pydantic import BaseModel, Field# 定义数据模型class Answer(BaseModel):    content: str = Field(description="回答内容")    tags: str = Field(description="标签，格式为《标签1》《标签2》")# 自定义解析器class CustomPydanticOutputParser(PydanticOutputParser):    def parse(self, text: str) -> Answer:        # 将数组格式转换为《》格式        tags_match = re.search(r'"tags"\s*:\s*\[(.*?)\]', text, re.DOTALL)        if tags_match:            tags_list = re.findall(r'"([^"]+)"', tags_match.group(1))            tags_string = "".join([f"《{tag}》" for tag in tags_list])            text = re.sub(r'"tags"\s*:\s*\[.*?\]', f'"tags": "{tags_string}"', text, flags=re.DOTALL)        return super().parse(text)# 创建解析器parser = CustomPydanticOutputParser(pydantic_object=Answer)# 创建提示模板chat_prompt = ChatPromptTemplate.from_messages([    ("system", "你是AI助手，请按JSON格式简短回答\n{format_instructions}"),    ("human", "{question}")])# 生成提示prompt = chat_prompt.invoke({    "question": "什么是LangChain",    "format_instructions": parser.get_format_instructions()})# 调用模型model = ChatOllama(model="qwen3:14b", reasoning=False)result = model.invoke(prompt)# 解析结果response = parser.invoke(result)logger.info(f"回答: {response.content}")logger.info(f"标签: {response.tags}")

执行结果：

2025-10-25 23:01:07.095 | INFO     | __main__:<module>:45 - 回答: LangChain 是一个用于构建应用程序的框架，它允许开发者将不同的语言模型和工具连接起来，从而创建更复杂和强大的应用。它支持多种语言模型，并提供了一系列工具来帮助开发者更高效地开发基于语言模型的应用。2025-10-25 23:01:07.095 | INFO     | __main__:<module>:46 - 标签: 《LangChain》《人工智能》《开发框架》

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套 AI 大模型突围资料包：

• ✅ 从零到一的 AI 学习路径图
• ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
• ✅ 百度/阿里专家闭门录播课
• ✅ 大模型当下最新行业报告
• ✅ 真实大厂面试真题
• ✅ 2025 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要 《AI大模型入门+进阶学习资源包》，下方扫码获取~

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）

② 大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

③ 大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

④ AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

⑤ 大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

⑥ 大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

以上全套大模型资料如何领取？