在 LangChain 中自定义输出格式涉及使用内置组件来根据特定需求构建模型响应。 主要工具是输出解析器，它将来自语言模型 (LLM) 的原始文本转换为 JSON、列表或自定义对象等结构化格式。 例如，PydanticOutputParser 允许您使用 Python 类定义模式，确保模型的输出符合预定义的字段和数据类型。 您还可以使用 PromptTemplate 在提示本身中设计显式格式化指令，指导模型以特定结构返回数据。 这些工具协同工作以增强一致性，从而更容易将 LLM 输出集成到下游应用程序中。
要实现这一点，首先定义所需的输出结构。 如果使用 PydanticOutputParser，请创建一个包含表示所需数据的字段的类。 例如，如果提取图书详细信息，请定义一个具有 title、author 和 genre 属性的 Book 类。 接下来，通过将格式化指令注入到提示中，将解析器包含在您的链中。 例如，PromptTemplate 可能包含如下占位符："Provide a book in this format: {format_instructions}"，其中 format_instructions 由解析器自动生成。 当链运行时，解析器会将模型的文本响应转换为经过验证的 Book 对象。 如果输出与架构不匹配，LangChain 可以使用 OutputFixingParser 等组件重试，该组件将错误反馈给模型以进行更正。
除了解析器，您还可以通过后处理步骤自定义格式。 对于简单的情况，使用字符串操作（例如，按逗号或换行符拆分响应）。 为了获得更多控制，请利用 LangChain 对函数调用的支持，其中 LLM 使用结构化参数调用函数。 例如，天气 API 集成可能需要模型返回 {"location": "Paris", "unit": "Celsius"}，函数可以验证和处理它。 始终使用边缘情况（如缺失字段或意外文本）测试格式化逻辑，以确保可靠性。 结合清晰的提示指令、结构化解析和验证，可确保输出既一致又适应您的应用程序要求。