在实际开发AI应用时，我们常会遇到一个很实际的问题：大模型的输出大多是自然语言文本，但我们搭建的应用程序，往往只能处理字符串、JSON、列表这类结构化数据。两者格式不匹配，就会导致大模型的输出无法直接被应用调用，而LangChain内置的输出解析器，正是为了解决这个痛点而生的。视频看这里《18. 动画讲解 LangChain 解析器！一看就懂》。
最基础也最常用的，就是StrOutputParser。它的作用很简单，就是把大模型的输出，直接转换成纯文本字符串——看起来简单，但却是很多AI应用的基础操作，毕竟很多场景下，我们只需要干净的文本输出，无需多余格式。
我们用一个简单的案例来演示，比如让大模型扮演“笑话大王”，输出一个笑话，再用StrOutputParser解析结果。具体代码如下，每一步都标注了核心作用，大家可以直接复制实操：
from langchain_core.prompts import ChatPromptTemplate from langchain_core.output_parsers import StrOutputParser # 定义提示词模板，指定大模型的角色和用户输入 prompt = ChatPromptTemplate.from_messages( [ {"role": "system", "content": "你是一个笑话大王"}, {"role": "user", "content": "{new_input}"} ] ) # 传入用户输入，生成完整的提示词 prompt_value = prompt.invoke( { "new_input": "讲一个笑话" } ) # 调用大模型，获取原始输出 res = llm.invoke(prompt_value, config=config) # 初始化解析器，解析大模型输出为纯文本 parser = StrOutputParser() result = parser.invoke(res) # 打印解析后的结果 print(result)
运行这段代码后，大家会发现，大模型的输出会被解析成一段干净的纯文本，没有任何多余的格式，刚好能满足应用程序对字符串输入的需求。
除了常规的一次性输出，实际开发中我们还常会用到流式输出——比如让大模型的回复像聊天一样逐字显示，提升用户体验。这种情况下，StrOutputParser同样适用，只需要稍微调整代码，就能实现流式解析。
流式输出的处理代码如下，重点在于用stream方法调用大模型，再用解析器的transform方法逐块解析流式数据：
from langchain_core.prompts import ChatPromptTemplate from langchain_core.output_parsers import StrOutputParser # 提示词模板和之前一致，指定大模型角色 prompt = ChatPromptTemplate.from_messages( [ {"role": "system", "content": "你是一个笑话大王"}, {"role": "user", "content": "{input}"} ] ) # 传入用户输入，生成提示词 prompt_value = prompt.invoke( { "new_input": "讲一个笑话" } ) # 用stream方法调用大模型，获取流式输出 res = llm.stream(prompt_value, config=config) # 初始化解析器，逐块解析流式数据并打印 parser = StrOutputParser() for chunk in parser.transform(res): print(chunk, end="", flush=True)
这里有个小细节需要注意：print语句里的end=""和flush=True，是为了让解析后的内容逐字连续显示，不会出现换行或卡顿的情况，完美还原流式输出的效果。
其实StrOutputParser的核心价值，就是“做减法”——去掉大模型输出中多余的格式冗余，只保留纯文本内容，让大模型的输出能直接适配应用程序的需求。对于刚接触LangChain的开发者来说，先掌握这个最简单的解析器，再逐步学习更复杂的JSON解析器、列表解析器，就能轻松解决大模型输出与应用程序格式不匹配的问题。