企业官网建设流程全解析

从手写提示词到结构化数据，一文搞定LangChain核心输出解析

📌 引言

在开发大模型应用时，我们常常面临两个核心问题：

1. 如何高效地组织和管理提示词（Prompt）—— 避免代码中到处拼接字符串

2. 如何让模型返回程序可直接使用的结构化数据—— 而不是自然语言段落

LangChain 提供了完善的解决方案：PromptTemplate系列管理输入，OutputParser系列处理输出。本文将带你从零开始，掌握这两大模块，并完成多个实战案例。

一、Prompt 基础与模板

1.1 什么是 Prompt？

Prompt就是给模型的指令。简单示例：

python

"请用中文介绍一下LangChain。"

但在实际项目中，Prompt 往往包含角色设定、任务描述、输入数据和约束条件：

python system = "你是一名资深技术顾问，擅长用通俗语言解释复杂概念。" human = "请向非技术人员介绍LangChain，字数控制在200字以内。"

如果每次都在代码中拼接，会产生大量重复和易错代码。Prompt 模板将固定部分与变量分离，提高复用性和可维护性。

1.2 PromptTemplate（纯文本模板）

适用于不需要区分系统/用户角色的简单文本任务。

python from langchain_core.prompts import PromptTemplate template = PromptTemplate.from_template( "请为产品'{product_name}'写一句广告语，突出'{feature}'。" ) prompt = template.invoke({"product_name": "智能手环", "feature": "超长续航"}) print(prompt) # 输出：请为产品'智能手环'写一句广告语，突出'超长续航'。

1.3 ChatPromptTemplate（聊天消息模板）

推荐使用，因为它可以构建结构化的消息列表（SystemMessage / HumanMessage / AIMessage），更符合现代对话模型的输入习惯。

python from langchain_core.prompts import ChatPromptTemplate chat_template = ChatPromptTemplate.from_messages([ ("system", "你是一位{role}，回答要简洁专业。"), ("human", "{question}") ]) prompt_value = chat_template.invoke({ "role": "AI产品经理", "question": "什么是RAG？" }) # 内部会生成 [SystemMessage, HumanMessage]

二、Prompt 编写最佳实践

掌握以下四个原则，就能写出高质量的 Prompt：

1. 明确角色—— 让模型以特定身份思考

2. 明确任务—— 说清楚要做什么

3. 明确约束—— 限制输出格式、字数、风格

4. 给出输入字段—— 让模型清楚每个变量的含义

三、实战案例（Prompt 篇）

案例1：商品文案生成器

根据商品信息自动生成电商文案。

代码01_product_copywriter.py：

python from langchain_core.prompts import ChatPromptTemplate from utils.model_factory import get_deepSeek_model model = get_deepSeek_model() template = ChatPromptTemplate.from_messages([ ("system", "你是一名资深电商文案写手，擅长用吸引人的语言描述产品。"), ("human", """ 请为以下商品撰写一段电商文案（150字以内），包含标题和卖点。 商品名称：{name} 核心卖点：{feature} 适用人群：{target} """) ]) prompt = template.invoke({ "name": "智能保温杯", "feature": "24小时保温，智能测温，健康提醒", "target": "注重健康的办公族" }) response = model.invoke(prompt) print(response.content)

案例2：学习计划生成器

根据学习目标生成分阶段计划。

代码02_study_plan.py：

python from langchain_core.prompts import ChatPromptTemplate from utils.model_factory import get_deepSeek_model model = get_deepSeek_model() template = ChatPromptTemplate.from_messages([ ("system", "你是一位资深学习规划师。"), ("human", """ 为以下学习目标制定一份为期{days}天的学习计划。 目标：{goal} 当前水平：{level} 每日可用时间：{hours}小时 请按阶段列出每日任务，并给出学习建议。 """) ]) prompt = template.invoke({ "goal": "从零开始学习Python数据分析", "days": 30, "level": "零基础", "hours": 2 }) response = model.invoke(prompt) print(response.content)

案例3：客服回复生成器

模拟根据用户问题和订单信息生成回复。

代码03_customer_reply.py：

python from langchain_core.prompts import ChatPromptTemplate from utils.model_factory import get_deepSeek_model model = get_deepSeek_model() template = ChatPromptTemplate.from_messages([ ("system", "你是一名专业客服，回复要礼貌且解决问题。"), ("human", """ 用户问题：{question} 订单状态：{status} 物流信息：{logistics} 请生成一段客服回复，给出明确解决方案。 """) ]) prompt = template.invoke({ "question": "我的快递显示签收但我没收到", "status": "已签收", "logistics": "2025-01-15 10:00 已由门卫代收" }) response = model.invoke(prompt) print(response.content)

四、MessagesPlaceholder：插入多轮对话历史

在构建聊天应用时，经常需要将历史消息插入到模板中。MessagesPlaceholder专门用于此。

python from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder prompt = ChatPromptTemplate.from_messages([ ("system", "你是一个乐于助人的AI助手。"), MessagesPlaceholder("history", optional=True, n_messages=4), # 最多保留4条 ("human", "{question}") ]) history = [ ("human", "我叫小明"), ("ai", "你好小明，有什么可以帮你？"), ("human", "我喜欢Python"), ("ai", "Python是很好的语言！") ] prompt_value = prompt.invoke({ "history": history, "question": "我刚才说了什么？" }) # 实际只会插入最近4条历史消息（如果超过）

五、结构化输出：让程序读懂模型结果

模型返回的自然语言虽然易读，但程序难以直接处理。我们需要让模型输出JSON或其他结构化格式。

5.1 StrOutputParser：简单的字符串提取

如果只想要纯文本内容，StrOutputParser可以将AIMessage转为普通字符串，并支持管道组合。

python from langchain_core.output_parsers import StrOutputParser from langchain_core.prompts import ChatPromptTemplate model = get_deepSeek_model() parser = StrOutputParser() chain = ChatPromptTemplate.from_template("翻译成中文：{text}") | model | parser result = chain.invoke({"text": "LangChain is awesome!"}) print(result) # 直接打印字符串

为什么不用response.content？
在管道（|）中，每个组件必须是Runnable，而.content是属性，不是 Runnable。StrOutputParser正是为了合规接入管道。

5.2 Pydantic 定义输出结构

使用Pydantic声明期望的字段及类型，让模型按此格式返回。

python from pydantic import BaseModel, Field from typing import Literal class ResumeInfo(BaseModel): name: str = Field(description="候选人姓名") years_of_experience: int = Field(description="工作年限") skills: list[str] = Field(description="掌握的技术技能") target_position: str = Field(description="目标岗位")

5.3 PydanticOutputParser：手动解析

该解析器会根据 Pydantic 模型生成格式说明（get_format_instructions()）并嵌入 Prompt，最后将模型输出解析成对象。

案例：简历信息抽取 (02_resume_extractor.py)

python from langchain_core.output_parsers import PydanticOutputParser from langchain_core.prompts import ChatPromptTemplate from pydantic import BaseModel, Field from utils.model_factory import get_deepSeek_model model = get_deepSeek_model() class ResumeInfo(BaseModel): name: str = Field(description="姓名") years_of_experience: int = Field(description="工作年限") skills: list[str] = Field(description="掌握的技术技能") target_position: str = Field(description="目标岗位") parser = PydanticOutputParser(pydantic_object=ResumeInfo) format_instructions = parser.get_format_instructions() template = ChatPromptTemplate.from_messages([ ("system", "你是一名招聘分析助手。\n{format_instructions}"), ("human", "{resume_content}") ]) resume_text = """ 我叫张三，工作10年，擅长Python、LangChain、FastAPI，想找智能体开发岗位。 """ prompt = template.invoke({ "format_instructions": format_instructions, "resume_content": resume_text }) response = model.invoke(prompt) result = parser.invoke(response) print(result.name) # 张三 print(result.years_of_experience) # 10 print(result.skills) # ['Python', 'LangChain', 'FastAPI'] print(result.target_position) # 智能体开发

5.4 with_structured_output：更简洁的方式

如果模型服务支持（如 OpenAI、DeepSeek 的 JSON 模式），可以直接在模型上绑定输出结构。

python structured_model = model.with_structured_output(ResumeInfo, method="json_mode") result = structured_model.invoke("从简历中提取信息：...") # 返回的 result 就是 ResumeInfo 实例

注意：使用 DeepSeek 时需指定method="json_mode"，否则会报错。

案例：商品评论分析 (03_review_analyzer.py)

python from typing import Literal from langchain_core.prompts import ChatPromptTemplate from pydantic import BaseModel, Field from utils.model_factory import get_deepSeek_model class ReviewAnalysis(BaseModel): sentiment: Literal["正面", "负面", "中性"] = Field(description="情感倾向") keywords: list[str] = Field(description="关键词") summary: str = Field(description="评论总结") needs_reply: bool = Field(description="是否需要商家回复") model = get_deepSeek_model() structured_model = model.with_structured_output(ReviewAnalysis, method="json_mode") template = ChatPromptTemplate.from_messages([ ("system", "你是评论分析专家，严格按JSON格式输出。"), ("human", "分析评论：{review}") ]) prompt = template.invoke({ "review": "鼠标手感不错，也很安静，但是用了两周滚轮就有异响。" }) result = structured_model.invoke(prompt) print(result.sentiment) # 负面 print(result.keywords) # ['手感', '安静', '滚轮异响'] print(result.summary) # 用户认可手感但反映滚轮质量问题 print(result.needs_reply)# True

案例：工单分类 (04_ticket_classifier.py)

python from typing import Literal from langchain_core.output_parsers import PydanticOutputParser from langchain_core.prompts import ChatPromptTemplate from pydantic import BaseModel, Field from utils.model_factory import get_deepSeek_model class TicketResult(BaseModel): category: Literal["订单", "物流", "退款", "产品", "其他"] = Field(description="工单分类") priority: Literal["低", "中", "高"] = Field(description="优先级") reason: str = Field(description="分类原因") parser = PydanticOutputParser(pydantic_object=TicketResult) format_instructions = parser.get_format_instructions() template = ChatPromptTemplate.from_messages([ ("system", "客服工单分类助手。\n{format_instructions}"), ("human", "{question}") ]) prompt = template.invoke({ "format_instructions": format_instructions, "question": "订单显示已签收，但我没收到商品，请处理。" }) response = model.invoke(prompt) result = parser.invoke(response) print(result.category) # 物流 print(result.priority) # 高 if result.priority == "高": print("立即转人工！")

六、处理解析错误

模型输出不稳定时，可能返回不符合结构的内容。应捕获OutputParserException或通用异常。

python from langchain_core.exceptions import OutputParserException try: result = parser.parse(response.content) except OutputParserException as e: print("解析失败，原始输出：", response.content) print("错误信息：", e) # 可进行重试、日志记录或人工干预

七、结构化方式对比

建议：先掌握PydanticOutputParser理解原理，实际项目优先使用with_structured_output。

八、工具函数封装：减少重复代码

为了让案例更干净，我们将模型初始化抽到utils/model_factory.py：

python # utils/model_factory.py from langchain_openai import ChatOpenAI import os def get_deepSeek_model(temperature=0): return ChatOpenAI( model="deepseek-chat", api_key=os.getenv("DEEPSEEK_API_KEY"), base_url="https://api.deepseek.com/v1", temperature=temperature )

这样每个案例只需导入get_deepSeek_model即可。

九、常见问题解答

Q1：Prompt 越长越好吗？
不是。应清晰简洁，避免过多无关要求，否则模型可能顾此失彼。

Q2：模型为什么不完全按指令输出？
大模型是概率性生成，不能保证100%服从。若输出格式关键，需配合结构化输出和程序校验。

Q3：PromptTemplatevsChatPromptTemplate？
如果模型支持多角色消息（System/Human），优先用ChatPromptTemplate，本课程所有案例均使用它。

Q4：为什么temperature=0？
对于信息抽取、分类等确定性任务，温度设为0可获得最稳定输出。

Q5：with_structured_output没看到 JSON 字符串？
因为 LangChain 内部已将 JSON 自动解析为 Pydantic 对象，你拿到的直接就是模型实例。

📝 总结

通过本文，你学会了：

• 使用PromptTemplate/ChatPromptTemplate管理提示词

• 编写高质量 Prompt 的四个原则

• 三个业务案例（文案、计划、客服）实战

• MessagesPlaceholder处理聊天历史

• 三种输出解析器：StrOutputParser、PydanticOutputParser、with_structured_output

• 结构化输出案例：简历抽取、评论分析、工单分类

• 处理解析错误和异常

掌握这些技能，你就能构建出既易于维护又能与业务系统无缝对接的 LLM 应用。