19. LangChain组件——JsonoutputParser和多模型执行链
1. JsonoutputParser在多模型执行链中的作用？2. 代码实战
from langchain_core.output_parsers import StrOutputParser, JsonOutputParser
from langchain_community.chat_models.tongyi import ChatTongyi
from langchain_core.prompts import PromptTemplate
# 创建所需的解析器
str_parser = StrOutputParser()
json_parser = JsonOutputParser()
# 模型创建
model = ChatTongyi(model="qwen3-max")
# 第一个提示词模板
first_prompt = PromptTemplate.from_template(
"我邻居姓：{lastname}，刚生了{gender}，请帮忙起名字，"
"并封装为JSON格式返回给我。要求key是name，value就是你起的名字，请严格遵守格式要求。" #保证输出的是json格式
)
# 第二个提示词模板
second_prompt = PromptTemplate.from_template(
"姓名：{name}，请帮我解析含义。"
)
# 构建链 （AIMessage("{name: 张若曦}")
chain = first_prompt | model | json_parser | second_prompt | model | str_parser
for chunk in chain.stream({"lastname": "张", "gender": "女儿"}):
print(chunk, end="", flush=True)
学习视频：【黑马程序员大模型RAG与Agent智能体项目实战教程，基于主流的LangChain技术从大模型提示词到实战项目】 https://www.bilibili.com/video/BV1yjz5BLEoY/?p=35&share_source=copy_web&vd_source=792a2cb63a1882bff4ed856eadc41a71
1. JsonoutputParser在多模型执行链中的作用？
JsonOutputParser 在多模型执行链中的核心作用是将上游模型输出的非结构化文本，按照预定格式解析成结构化的 JSON 对象。这就像是两个模型对话之间的“翻译官”或“格式转换器”。
具体作用包括：
[*]标准化输出格式：它确保第一个模型的输出是严格、可预测的 JSON 格式，为链中的下一个环节（如下一个提示词模板）提供结构清晰、可直接引用的数据。
[*]实现数据流转：在多步处理中，前一步的结果需要作为后一步的输入。JsonOutputParser 将文本（如：“{“name”: “张若曦”}”）解析成Python字典（如：{‘name’: ‘张若曦’}），这样下一个提示词模板才能通过变量（如 {name}）正确获取到这个值。
[*]提升链的可靠性：通过强制和验证JSON格式，减少了因模型输出格式随意而导致链中断的风险，使整个执行流程更稳定。
2. 代码实战
您提供的代码是一个典型的多模型执行链，展示了数据如何在不同模型和处理步骤间流转。下面为您解析这个链的工作流程：
from langchain_core.output_parsers import StrOutputParser, JsonOutputParser
from langchain_community.chat_models.tongyi import ChatTongyi
from langchain_core.prompts import PromptTemplate
# 创建所需的解析器
str_parser = StrOutputParser()
json_parser = JsonOutputParser()
# 模型创建
model = ChatTongyi(model="qwen3-max")
# 第一个提示词模板
first_prompt = PromptTemplate.from_template(
"我邻居姓：{lastname}，刚生了{gender}，请帮忙起名字，"
"并封装为JSON格式返回给我。要求key是name，value就是你起的名字，请严格遵守格式要求。" #保证输出的是json格式
)
# 第二个提示词模板
second_prompt = PromptTemplate.from_template(
"姓名：{name}，请帮我解析含义。"
)
# 构建链 （AIMessage("{name: 张若曦}")
chain = first_prompt | model | json_parser | second_prompt | model | str_parser
for chunk in chain.stream({"lastname": "张", "gender": "女儿"}):
print(chunk, end="", flush=True)
链的执行步骤分解：
[*]first_prompt: 接收用户输入 {“lastname”: “张”, “gender”: “女儿”}，生成提示文本：“我邻居姓：张，刚生了女儿，请帮忙起名字...”。
[*]model (第一次调用): 接收上面的提示，思考并生成回复。理想情况下，它回复一个JSON字符串，例如： {“name”: “张若曦”}。
[*]json_parser: 这是关键一步！它将模型返回的JSON字符串 “{“name”: “张若曦”}” 解析成Python字典：{‘name’: ‘张若曦’}。
[*]second_prompt: 接收上一步解析出的字典 {‘name’: ‘张若曦’}。提示词模板中的变量 {name} 会自动匹配字典中的同名键，生成新提示：“姓名：张若曦，请帮我解析含义。”
[*]model (第二次调用): 接收“解析含义”的提示，生成对该名字含义的解释文本。
[*]str_parser: 将第二个模型返回的复杂消息对象转换为纯净的字符串，方便最终输出。
如果没有 JsonOutputParser，第一个模型的输出（一个JSON字符串）将直接传给 second_prompt。那么 second_prompt 会试图将整个字符串赋值给变量 {name}，导致提示变为 “姓名：{“name”: “张若曦”}，请帮我解析含义。”，这显然不符合预期，可能导致第二个模型无法正确理解请求。
这个链清晰地展示了如何通过 JsonOutputParser 串联两个不同的模型任务，实现“起名” -> “解析含义”的流水线处理。
以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。 好！ {:10_256:}{:10_256:}学习
页:
[1]