Langchain:输出解释器

1）输出解释器定义：

        输出解释器是 LangChain 提供的一个模块，用于处理 LLM（如 ChatOllama、OpenAI 等）生成的原始文本输出，将其转换为结构化的数据格式（如字典、列表、JSON 或自定义对象）。它通常用于以下场景：

        LLM 的输出是自由文本，可能包含不规则的格式或多余内容。
        应用程序需要将 LLM 输出解析为特定结构，以便后续处理或使用。
        LangChain 提供多种内置的输出解释器，例如：

                StructuredOutputParser：解析为结构化数据（如 JSON）。
                PydanticOutputParser：将输出映射到 Pydantic 模型（强类型数据结构）。
                ListOutputParser：解析为列表格式。
                RegexParser：使用正则表达式提取特定字段。
                JsonOutputParser：确保输出为有效的 JSON 格式。

        2)输出解释器的作用：

                输出解释器在 LangChain 工作流中起到以下关键作用：

                        1、结构化输出：
                                将 LLM 的自由文本输出（如一段话）转换为结构化格式（如字典或对象），便于程序处理。例如，将 LLM 输出的“城市：深圳，天气：多云，温度：26-31°C”解析为 {"city": "深圳", "weather": "多云", "temperature": "26-31°C"}。
                        2、提高一致性：
                                确保 LLM 输出符合预定义的格式或模式，减少输出不一致导致的错误。
例如，强制 LLM 返回 JSON 格式，而不是不规则的文本。
                        3、错误处理：
                                提供解析错误反馈，提示 LLM 重新生成符合格式的输出。
                                例如，如果 LLM 输出不符合预期 JSON 结构，解释器可以抛出错误并触发重试。
                        4、简化下游处理：
                                结构化输出便于与数据库、API 或其他系统集成。例如，解析后的 JSON 数据可以直接存储到数据库或传递给前端。
                        5、增强提示词效果：
                                输出解释器通常与提示词模板（如 PromptTemplate 或 FewShotPromptTemplate）结合使用，通过明确指定输出格式，指导 LLM 生成符合预期的回答。

     3）输出解释器的工作原理：

                        1、定义输出格式：
                                使用解释器指定期望的输出结构（例如 JSON schema 或 Pydantic 模型）。在提示词中明确要求 LLM 按指定格式输出。
                        2、解析 LLM 输出：
                                LLM 生成原始文本后，解释器对其进行解析，提取所需字段或验证格式。如果输出不符合要求，解释器可能抛出错误或尝试修复。
                        3、返回结构化数据：
                                解释器将解析后的数据返回为 Python 对象（如字典、列表或 Pydantic 对象），供后续处理。

        4）使用场景：

                        1、问答系统：将 LLM 的回答解析为结构化格式（如 JSON），便于存储或显示。
                        2、数据提取：从 LLM 输出中提取特定字段（如名称、日期、数字）。
                        3、API 集成：将 LLM 输出转换为 API 所需的格式。
                        4、任务自动化：确保 LLM 输出符合特定任务的要求（如分类结果、翻译文本）。

          5）相关代码：

                

from langchain.output_parsers import ResponseSchema, StructuredOutputParser
from langchain_core.prompts import PromptTemplate

from langchain_app.unit3.exampleSelector import ExampleSelector


# 自定义输出解析器
# 输出解析器的作用：
class MyOutputParse(ExampleSelector):

    def __init__(self):
        super().__init__()

    __doc__ = "结构化输出解析器"

    def structOutput(self):
        response_schemas = [
            ResponseSchema(name="answer", description="用户问题的答案"),
            ResponseSchema(
                name="source",
                description="用于回答用户问题的来源，应为网站。",
            ),
        ]
        output_parser = StructuredOutputParser.from_response_schemas(response_schemas)
        format_instructions = output_parser.get_format_instructions()
        prompt = PromptTemplate(
            template="尽可能最好地回答用户的问题。\n{format_instructions}\n{question}",
            input_variables=["question"],
            partial_variables={"format_instructions": format_instructions},
        )
        chain = prompt | self.llm | output_parser
        chain.invoke("马斯克的脑机怎么样？")