如何在LangChain中结合Chain与Parser使用并返回解析后的对象？

直接用LLMChain自带的output_parser参数就能搞定，完全不用子类化扩展LLMChain，步骤和代码示例如下：

具体实现步骤 #

1. 定义Pydantic数据结构
   先把需要解析的目标结构（比如示例里的Joke）用Pydantic定义清楚：

   from pydantic import BaseModel, Field
   from typing import Optional
   
   class Joke(BaseModel):
       setup: str = Field(description="笑话的铺垫部分")
       punchline: str = Field(description="笑话的包袱部分")
       rating: Optional[int] = Field(description="1-10的搞笑评分，可选")
   

2. 初始化PydanticOutputParser
   将刚才定义的模型传入解析器：

   from langchain.output_parsers import PydanticOutputParser
   
   parser = PydanticOutputParser(pydantic_object=Joke)
   

3. 构建包含格式指令的提示模板
   必须在提示里加入解析器要求的格式说明，不然模型输出的内容没法被正确解析：

   from langchain.prompts import PromptTemplate
   
   prompt = PromptTemplate(
       template="生成一个关于{topic}的笑话。\n{format_instructions}",
       input_variables=["topic"],
       partial_variables={"format_instructions": parser.get_format_instructions()}
   )
   

4. 创建LLMChain并指定output_parser
   核心操作就在这里，初始化LLMChain时直接把解析器赋值给output_parser参数：

   from langchain.llms import OpenAI
   from langchain.chains import LLMChain
   
   llm = OpenAI(temperature=0.7)
   chain = LLMChain(llm=llm, prompt=prompt, output_parser=parser)
   

5. 执行并获取解析后的对象
   现在调用chain.run()返回的就是已经解析好的Pydantic对象，不用再手动处理原始文本：

   result = chain.run(topic="程序员")
   print(result.setup)  # 直接访问结构内的字段
   print(result.punchline)
   

原理说明 #

LLMChain的output_parser参数会自动处理模型返回的原始文本，调用解析器的parse()方法完成格式转换，全程不需要额外编写解析逻辑，也不需要修改LLMChain的源码或子类化。

内容的提问来源于stack exchange，提问作者Abe