主题
输出解析（Output Parsing）
让 LLM 输出结构化数据（JSON、YAML 等），便于程序处理。
为什么需要输出解析
LLM 默认输出的是自由文本，程序难以处理：
LLM 输出：
"我觉得这个问题的原因是服务器配置错误，
建议检查 nginx.conf 文件的 worker_processes 配置，
另外也要看看错误日志。"
程序：？？？怎么提取关键信息？结构化输出：
json
{
"root_cause": "服务器配置错误",
"suggestions": [
"检查 nginx.conf 的 worker_processes",
"查看错误日志"
],
"severity": "medium"
}程序可以直接解析使用。
方法一：在 Prompt 中要求格式化输出
python
prompt = """
分析以下代码，以 JSON 格式返回结果。
要求：
- 使用严格 JSON 格式（不要用 Markdown 代码块包裹）
- 包含字段：has_bug (bool)、description (string)、suggestion (string)
代码：
```java
{code}只输出 JSON，不要输出其他内容。 """
**问题**：LLM 不一定严格遵守格式，可能多加解释文字。
## 方法二：用 Output Parser（推荐）
### LangChain - StructuredOutputParser
```python
from langchain.output_parsers import StructuredOutputParser, ResponseSchema
from langchain.prompts import PromptTemplate
# 定义输出格式
response_schemas = [
ResponseSchema(name="root_cause", description="问题的根本原因"),
ResponseSchema(name="suggestions", description="建议列表（数组）"),
ResponseSchema(name="severity", description="严重程度：high/medium/low")
]
parser = StructuredOutputParser.from_response_schemas(response_schemas)
format_instructions = parser.get_format_instructions()
# 把格式说明加入 Prompt
prompt = PromptTemplate(
template="分析以下代码：\n{code}\n\n{format_instructions}",
input_variables=["code"],
partial_variables={"format_instructions": format_instructions}
)
# 执行
chain = LLMChain(llm=llm, prompt=prompt)
output = chain.run(code=java_code)
# 解析（自动处理格式错误）
result = parser.parse(output)
print(result["root_cause"])LangChain - PydanticOutputParser（更推荐）
python
from pydantic import BaseModel, Field
from langchain.output_parsers import PydanticOutputParser
# 用 Pydantic 定义输出格式
class CodeReview(BaseModel):
has_bug: bool = Field(description="是否存在 Bug")
description: str = Field(description="问题描述")
suggestion: str = Field(description="修改建议")
severity: str = Field(description="严重程度：high/medium/low")
parser = PydanticOutputParser(pydantic_object=CodeReview)
format_instructions = parser.get_format_instructions()
prompt = f"""
分析以下代码，按格式要求输出。
格式要求：
{format_instructions}
代码：
{code}
"""
output = llm(prompt)
result = parser.parse(output) # 返回 CodeReview 对象
print(result.has_bug)
print(result.suggestion)方法三：Function Calling（最稳定）
OpenAI / Anthropic 的 Function Calling 可以保证输出格式：
python
import json
from openai import OpenAI
client = OpenAI()
# 定义函数（输出格式）
functions = [
{
"name": "output_code_review",
"description": "输出代码审查结果",
"parameters": {
"type": "object",
"properties": {
"has_bug": {"type": "boolean"},
"description": {"type": "string"},
"suggestion": {"type": "string"},
"severity": {"type": "string", "enum": ["high", "medium", "low"]}
},
"required": ["has_bug", "description", "suggestion", "severity"]
}
}
]
response = client.chat.completions.create(
model="gpt-4o",
messages=[{"role": "user", "content": f"审查代码：\n{code}"}],
tools=[{"type": "function", "function": f} for f in functions],
tool_choice={"type": "function", "function": {"name": "output_code_review"}}
)
# 解析函数调用参数（保证是合法 JSON）
tool_call = response.choices[0].message.tool_calls[0]
result = json.loads(tool_call.function.arguments)处理格式错误（Retry）
LLM 偶尔会输出格式错误的内容，需要重试：
python
from langchain.output_parsers import OutputFixingParser
# 包装原 Parser，自动修复格式错误
fixing_parser = OutputFixingParser.from_llm(
parser=parser,
llm=llm
)
try:
result = parser.parse(output)
except:
# 格式错误时，让 LLM 自己修复
result = fixing_parser.parse(output)常用输出格式
JSON（最常用）
python
# 要求输出 JSON
format_instructions = """
以 JSON 格式输出，格式如下：
{
"field1": "value1",
"field2": ["item1", "item2"]
}
只输出 JSON，不要用 ```json ``` 包裹。
"""Markdown
python
format_instructions = """
以 Markdown 格式输出：
- 使用二级标题（##）分节
- 代码用 ```语言 包裹
- 列表用 - 表示
"""CSV
python
format_instructions = """
以 CSV 格式输出，第一行是表头：
name,age,city
Alice,25,Beijing
Bob,30,Shanghai
"""