LangChain教程：StrOutputParser字符串输出解析器

作者：马育民 • • 阅读：10037

介绍

StrOutputParser 是 LangChain 内置的输出解析器

功能

将 LangChain 聊天模型返回的 BaseMessage（如 AIMessage、HumanMessage），统一转换成 字符串。

不用每次调用模型后都写 response.content，简化代码，同时兼容不同类型的输出

适用场景

使用 对话模型 时，需要获取 纯文本回答 的场景

传统用法

获取整体结果

下面的例子中，res 是 <class 'langchain_core.messages.ai.AIMessage'> 类型，需要通过 res.content 方式，获取AI返回的字符串，代码如下：

from langchain_core.prompts import ChatPromptTemplate
from langchain_community.chat_models.tongyi import ChatTongyi
from dotenv import load_dotenv

# 加载 .env 文件，并放入到环境变量中
load_dotenv()

# 定义模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个温柔的小学数学老师，回答问题时用“亲”、“小朋友”，并且简短回答问题，回答问题不要用markdown格式"),
    ("human", "计算过程：{msg}")
])

chat = ChatTongyi(model="qwen3-max")

# 串联
chain = prompt | chat

while True:
    """
    提问：3x+5=20，x 等于多少？
    """
    question = input("请输入：")

    # 调用stream向模型提问，返回 generator类型
    res = chain.invoke({
        "msg": question
    })
    print("res 的类型：", type(res))
    print(res.content, end="", flush=True)
执行

提问：

第一次提问：3x+5=20，x 等于多少？

执行结果可以看到 chunk 的类型是 <class 'langchain_core.messages.ai.AIMessage'>

流式获取结果

下面的例子中，chunk 是 <class 'langchain_core.messages.ai.AIMessageChunk'> 类型，需要通过 chunk.content 方式，获取AI返回的字符串，代码如下：

from langchain_core.prompts import ChatPromptTemplate
from langchain_community.chat_models.tongyi import ChatTongyi
from dotenv import load_dotenv

# 加载 .env 文件，并放入到环境变量中
load_dotenv()

# 定义模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个温柔的小学数学老师，回答问题时用“亲”、“小朋友”，并且简短回答问题，回答问题不要用markdown格式"),
    ("human", "计算过程：{msg}")
])

chat = ChatTongyi(model="qwen3-max")

# 串联
chain = prompt | chat

while True:
    """
    第一次输入：3x+5=20，x 等于多少？
    第二次输入：5x-8=72，x 等于多少？
    """
    question = input("请输入：")

    # 调用stream向模型提问，返回 generator类型
    res = chain.stream({
        "msg": question
    })
    # 流式输出
    for chunk in res:
        print(chunk.content, end="", flush=True)
    print("\n----回答结束-------\n")
执行

提问：

第一次提问：3x+5=20，x 等于多少？

执行结果可以看到 chunk 的类型是 <class 'langchain_core.messages.ai.AIMessageChunk'>

使用 StrOutputParser

创建对象

sop = StrOutputParser()

串联

放在串联提示词模板和模型的后面，如下：

chain = prompt | chat | sop

案例

下面的例子使用后，chunk 是 字符串 类型，直接获取AI返回的字符串，代码如下：

from langchain_core.prompts import ChatPromptTemplate
from langchain_community.chat_models.tongyi import ChatTongyi
from langchain_core.output_parsers import StrOutputParser
from dotenv import load_dotenv

# 加载 .env 文件，并放入到环境变量中
load_dotenv()

# 定义模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个温柔的小学数学老师，回答问题时用“亲”、“小朋友”，并且简短回答问题，回答问题不要用markdown格式"),
    ("human", "计算过程：{msg}")
])

model = ChatTongyi(model="qwen3-max")

# 串联时，最后使用 StrOutputParser 字符串输出解析器
sop = StrOutputParser()
chain = prompt | model | sop

while True:
    """
    输入：3x+5=20，x 等于多少？
    """
    question = input("请输入：")
    # 调用stream向模型提问，返回 generator类型
    res = chain.stream({
        "msg": question
    })
    # 流式输出
    for chunk in res:
        # ※※※  不需要调用 .content ※※※
        print(chunk, end="", flush=True)
    print("\n----回答结束-------\n")

优点

  1. 简化代码：省去每次调用后写 .content 的重复操作，尤其在多轮对话/循环调用中更明显。
  2. 类型统一：无论模型返回 AIMessage 还是纯字符串，解析后都统一为 str 类型，避免类型错误。
  3. 兼容扩展：可以和其他解析器（如 JsonOutputParser）无缝替换，符合 LangChain 的链式设计思想。
  4. 调试友好：直接打印就是最终的文本结果，无需额外处理。

注意

StrOutputParser 不会修改 模型的回答内容 → 不会，它只做类型转换，内容完全不变。

总结

  1. 核心作用：StrOutputParser 是 LangChain 的基础输出解析器，将模型返回的 AIMessage 等结构化消息转换成纯字符串。
  2. 使用方式：串联在链的最后（prompt | llm | StrOutputParser()），调用后直接得到字符串。
  3. 核心优势：简化代码、统一输出类型，是日常开发中最常用的解析器，几乎适用于所有纯文本回答场景。

简单来说，只要你想直接获取模型的文本回答，而不是结构化的 AIMessage 对象，就可以用 StrOutputParser，这是 LangChain 开发的最佳实践之一。

原文出处：/show_1GW2qkDs7zkb.html

吉ICP备15003043号