图解 LangChain 06｜OutputParser：让模型的自由文本变成程序能消费的结构

上一篇讲了 prompt——怎么把输入喂给模型。这一篇讲它的对偶问题：怎么把模型的输出，变成程序能消费的东西。

模型返回的是一段自由文本（自然语言），但程序几乎从不需要一段「自然语言」——程序要的是结构化数据：一个对象、一个列表、一个有明确字段的东西。prompt 和 parser 就像 Model I/O 的两端：一头把结构变成文本喂进去，一头把文本变回结构吐出来。

问题：模型说人话，程序要数据

举个例子，你让模型抽取一段订单信息：

模型回答："订单编号是 A123，客户是张三，金额 299 元，已支付。"

这是给人看的。但你的程序要的是：

{"order_id": "A123", "customer": "张三", "amount": 299, "paid": True}

这段「从自然语言到结构」的转换，就是输出解析要干的事。如果手写，你得写正则、切字符串、处理各种「模型这次没按格式来」的边界情况——脆弱、易错、难维护。

两种解析姿势

LangChain 提供两条路解决这个问题，而且强烈推荐第二条。

姿势一：手写解析器（OutputParser）

OutputParser 是最传统的做法：给模型一段 prompt，要求它「按 JSON 格式输出」，然后用解析器去解析这段文本。

parser = JsonOutputParser()
# 模型输出 '{"order_id":"A123",...}' 这种文本
parser.invoke(model_output)  # → dict

问题在于：模型不一定听话。你让它输出 JSON，它可能在前面加一句「好的，这是结果：」，或者在 JSON 后面加一句解释。解析器得处理这些「不纯」的输出。这种方式能跑，但脆弱。

姿势二：结构化输出（推荐）

v1.0 主推的方式是 with_structured_output：你给模型一个结构定义（schema），模型直接返回结构化对象，跳过文本解析这一步。

from pydantic import BaseModel

class Order(BaseModel):
    order_id: str
    customer: str
    amount: float
    paid: bool

# 模型绑定结构，直接吐 Order 对象
structured_model = model.with_structured_output(Order)
result = structured_model.invoke("订单 A123，张三，299 元已付")
# result 直接是 Order 实例，不是文本

为什么这个方式更稳？因为它绕开了「模型吐自由文本」这个不可靠环节。现代模型（GPT-4o、Claude 等）原生支持「约束输出」——给定 schema，它们在生成时就保证输出符合结构。LangChain 的 with_structured_output 就是统一封装了各家模型的这个能力。

结构定义：Pydantic 或 JSON Schema

with_structured_output 接受两种结构定义方式：

• Pydantic（Python 生态主流）：用类定义字段和类型，最直观
• JSON Schema：语言无关的结构描述，跨语言场景用

Pydantic 的额外好处是自带校验：你定义 amount: float，模型返回字符串会被 Pydantic 自动转换或报错。等于解析 + 校验一步到位。

和链的配合

输出解析器是 Runnable，所以它能自然进管道：

chain = prompt | model.with_structured_output(Order) | 下游处理

这里有个细节值得注意：model.with_structured_output(Order) 返回的还是一个 Runnable，只是它的输出类型从「文本」变成了「Order 对象」。所以它依然能被管道符串联、能流式（流式的是结构化结果的逐步构造）、能被追踪。

这就是为什么说 prompt 和 parser 是 Model I/O 的两端：它们都是 Runnable，分别处理「输入结构化→文本」和「文本→输出结构化」，夹住中间的模型，构成完整的「结构进、结构出」链路。

收束：让模型吐结构，而不是解析文本

这一篇讲了输出解析：

• 模型吐自由文本，程序要结构化数据，中间需要转换
• 传统 OutputParser 靠「要求模型按格式 + 解析文本」，脆弱
• v1.0 主推 with_structured_output：给 schema，直接拿对象，绕开文本解析
• 解析器是 Runnable，自然进链

到这里，Model I/O 三件套——prompt、model、parser——都拆完了。下一篇把它们串起来，讲完整的「Model I/O 闭环」：一条链怎么从结构化输入，经过模型，回到结构化输出，以及怎么加上重试、fallback 这些工程能力。

关于十三Tech

我是十三，All in AI Agent 方向的架构师，专注 AI 工程实践。我相信 AI 是程序员的最佳搭档。

如果你想跟完这套「图解 LangChain」，欢迎关注公众号 「十三Tech」。全系列 42 篇，会按认识基础、LangGraph 状态机、Agent 与 middleware、RAG 检索、Tools/MCP/记忆、生产化收束这条线更新。