Unit 3: Output Parsers

為什麼需要 Output Parser？

AI 預設輸出是純文字，但我們需要結構化數據來進行後續處理。

台積電目前股價約 580 元，
建議評級為「買入」，
目標價位是 650 元。

{
  "stock": "台積電",
  "price": 580,
  "rating": "買入",
  "target": 650
}

基礎：StrOutputParser

最簡單的解析器，直接取出 AI 回覆的文字內容：

# 匯入 OpenAI 聊天模型
from langchain_openai import ChatOpenAI
# 匯入字串輸出解析器
from langchain_core.output_parsers import StrOutputParser

# 建立 ChatOpenAI 實例，使用 gpt-5.6-luna 模型
llm = ChatOpenAI(model="gpt-5.6-luna")
# 建立字串解析器實例（將 AIMessage 轉換為純字串）
parser = StrOutputParser()

# 使用 LCEL 語法（| 運算子）建立 Chain
chain = llm | parser

# 執行 Chain，傳入問題字串
result = chain.invoke("用一句話介紹 Python")
print(result)  # 輸出：直接是字串，不是 AIMessage 物件
print(type(result))  # 輸出：<class 'str'>

實用：JsonOutputParser

# 匯入 JSON 輸出解析器
from langchain_core.output_parsers import JsonOutputParser
# 匯入提示詞模板
from langchain_core.prompts import PromptTemplate

# 建立 JSON 解析器實例
parser = JsonOutputParser()

# 建立提示詞模板，包含格式指示
template = PromptTemplate(
    template="""分析以下餐廳評論，輸出 JSON 格式。
{format_instructions}

評論：{review}""",
    input_variables=["review"],  # 輸入變數：評論內容
    # partial_variables：預先填入格式指示說明
    partial_variables={"format_instructions": parser.get_format_instructions()}
)

# 建立 Chain：提示詞 → LLM → JSON 解析器
chain = template | llm | parser

# 執行 Chain，傳入評論進行分析
result = chain.invoke({
    "review": "這家牛肉麵超讚！湯頭濃郁，肉給很多，下次還會再來"
})

print(result)  # 輸出結果為 Python 字典
# {'sentiment': 'positive', 'food_quality': 'excellent', 'would_revisit': True}

進階：PydanticOutputParser

使用 Pydantic 定義資料結構，確保輸出格式正確：

# 匯入 Pydantic 輸出解析器
from langchain_core.output_parsers import PydanticOutputParser
# 匯入 Pydantic 基礎模型和欄位定義
from pydantic import BaseModel, Field
# 匯入 List 型別提示
from typing import List

# 定義股票分析的資料結構（使用 Pydantic 模型）
class StockAnalysis(BaseModel):
    stock_name: str = Field(description="股票名稱")      # 股票名稱欄位
    current_price: float = Field(description="目前股價")  # 目前股價欄位
    rating: str = Field(description="評級：買入/持有/賣出")  # 投資評級
    reasons: List[str] = Field(description="分析理由")    # 分析理由列表

# 建立 Pydantic 解析器，指定輸出格式為 StockAnalysis
parser = PydanticOutputParser(pydantic_object=StockAnalysis)

# 取得格式說明（會自動生成 JSON Schema 告訴 AI 如何輸出）
print(parser.get_format_instructions())

實作：股票分析結構化輸出

# 匯入提示詞模板
from langchain_core.prompts import PromptTemplate

# 建立股票分析的提示詞模板
template = PromptTemplate(
    template="""你是股票分析師。分析 {stock} 並以指定格式輸出。
{format_instructions}""",
    input_variables=["stock"],  # 輸入變數：股票名稱
    # 預先填入格式指示（由 parser 自動生成）
    partial_variables={"format_instructions": parser.get_format_instructions()}
)

# 建立 Chain：提示詞 → LLM → Pydantic 解析器
chain = template | llm | parser

# 執行分析，傳入股票名稱
result = chain.invoke({"stock": "台積電"})

# result 是 StockAnalysis 物件，可直接存取屬性
print(f"股票：{result.stock_name}")    # 存取股票名稱
print(f"股價：{result.current_price}")  # 存取目前股價
print(f"評級：{result.rating}")         # 存取投資評級
print(f"理由：")
for r in result.reasons:               # 迴圈印出所有分析理由
    print(f"  - {r}")

列表解析：CommaSeparatedListOutputParser

# 匯入逗號分隔列表解析器
from langchain_core.output_parsers import CommaSeparatedListOutputParser

# 建立列表解析器實例
parser = CommaSeparatedListOutputParser()

# 建立提示詞模板，要求 AI 列出關鍵字
template = PromptTemplate(
    template="列出 5 個 {category} 相關的關鍵字\n{format_instructions}",
    input_variables=["category"],  # 輸入變數：類別名稱
    # 預先填入格式指示（告訴 AI 用逗號分隔輸出）
    partial_variables={"format_instructions": parser.get_format_instructions()}
)

# 建立 Chain：提示詞 → LLM → 列表解析器
chain = template | llm | parser

# 執行 Chain，取得關鍵字列表
result = chain.invoke({"category": "資料視覺化"})
print(result)  # 輸出：Python 列表
# ['Matplotlib', 'Seaborn', '圖表', '數據分析', '視覺化']
print(type(result))  # 輸出：<class 'list'>

實作練習：餐廳評論分析器

# 匯入 Pydantic 模型和欄位定義
from pydantic import BaseModel, Field
from typing import List

# 定義餐廳評論的資料結構
class RestaurantReview(BaseModel):
    restaurant_name: str = Field(description="餐廳名稱")  # 餐廳名稱
    rating: int = Field(description="評分 1-5")          # 評分（1-5 分）
    pros: List[str] = Field(description="優點")          # 優點列表
    cons: List[str] = Field(description="缺點")          # 缺點列表
    recommend: bool = Field(description="是否推薦")       # 是否推薦（布林值）

# 建立 Pydantic 解析器
parser = PydanticOutputParser(pydantic_object=RestaurantReview)

# 建立分析評論的提示詞模板
template = PromptTemplate(
    template="""分析以下餐廳評論：
{review}

{format_instructions}""",
    input_variables=["review"],  # 輸入變數：評論內容
    partial_variables={"format_instructions": parser.get_format_instructions()}
)

# 建立 Chain 並執行
chain = template | llm | parser
result = chain.invoke({
    "review": "鼎泰豐的小籠包皮薄餡多，服務態度很好，但價格偏高要排隊很久"
})
# result 為 RestaurantReview 物件，包含結構化的評論分析

Unit 3 總結

← 返回課程首頁