如何解析消息对象中的文本

先决条件

本指南假定您熟悉以下概念：

• 聊天模型
• 消息
• 输出解析器
• LangChain 表达式语言 （LCEL）

LangChain 消息对象支持多种格式的内容，包括文本、多模态数据和内容块字典列表。

Chat 模型响应内容的格式可能取决于提供商。例如，Anthropic 的聊天模型将返回典型字符串输入的字符串内容：

from langchain_anthropic import ChatAnthropic

llm = ChatAnthropic(model="claude-3-5-haiku-latest")

response = llm.invoke("Hello")
response.content

API 参考：ChatAnthropic

'Hi there! How are you doing today? Is there anything I can help you with?'

但是，当生成工具调用时，响应内容被构建成内容块，以传达模型的推理过程：

from langchain_core.tools import tool


@tool
def get_weather(location: str) -> str:
    """Get the weather from a location."""

    return "Sunny."


llm_with_tools = llm.bind_tools([get_weather])

response = llm_with_tools.invoke("What's the weather in San Francisco, CA?")
response.content

API 参考：工具

[{'text': "I'll help you get the current weather for San Francisco, California. Let me check that for you right away.",
  'type': 'text'},
 {'id': 'toolu_015PwwcKxWYctKfY3pruHFyy',
  'input': {'location': 'San Francisco, CA'},
  'name': 'get_weather',
  'type': 'tool_use'}]

要自动解析消息对象中的文本，而不管底层内容的格式如何，我们可以使用 StrOutputParser。我们可以用聊天模型来编写它，如下所示：

from langchain_core.output_parsers import StrOutputParser

chain = llm_with_tools | StrOutputParser()

API 参考：StrOutputParser

StrOutputParser 简化了从消息对象中提取文本的过程：

response = chain.invoke("What's the weather in San Francisco, CA?")
print(response)

I'll help you check the weather in San Francisco, CA right away.

这在流式上下文中特别有用：

for chunk in chain.stream("What's the weather in San Francisco, CA?"):
    print(chunk, end="|")

|I'll| help| you get| the current| weather for| San Francisco, California|. Let| me retrieve| that| information for you.||||||||||

有关更多信息，请参阅 API 参考。