from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import JsonOutputParser
 
# 定义提示模板，预留格式指令的位置
prompt = ChatPromptTemplate.from_messages(
    [
        {"role": "system", "content": "你是一位有10年经验的资深软件工程师。{format_instructions}"},
        {"role": "user", "content": "{new_input}"}
    ]
)
 
# 创建解析器实例
parser = JsonOutputParser()
# 自动生成格式要求，告诉大模型如何输出
format_instructions = parser.get_format_instructions()
 
# 组装提示词并调用大模型
prompt_value = prompt.invoke(
    {
        "format_instructions": format_instructions,
        "new_input": "请描述一下张三这个人，包括姓名、年龄、职业和兴趣爱好。"
    }
)
 
# 打印生成的完整提示词，方便调试
print(prompt_value.to_string())
 
# 调用大模型（llm和config需要你根据自己使用的模型提前初始化）
res = llm.invoke(prompt_value, config=config)
 
# 直接解析为JSON字典
result = parser.invoke(res)
print(result)

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import PydanticOutputParser
from pydantic import BaseModel, Field
from typing import List, Optional
 
# 定义提示模板
prompt = ChatPromptTemplate.from_messages(
    [
        {"role": "system", "content": "你是一位有10年经验的资深软件工程师。{format_instructions}"},
        {"role": "user", "content": "{new_input}"}
    ]
)
 
# 定义数据模型，每个字段指定类型并添加清晰描述
class Person(BaseModel):
    name: str = Field(description="姓名")
    age: int = Field(description="年龄")
    post: str = Field(description="职业")
    hobbies: list[str] = Field(description="兴趣爱好")
 
# 绑定Pydantic模型创建解析器
parser = PydanticOutputParser(pydantic_object=Person)
# 自动生成格式指令
format_instructions = parser.get_format_instructions()
 
# 组装提示词
prompt_value = prompt.invoke(
    {
        "format_instructions": format_instructions,
        "new_input": "请描述一下张三这个人，包括姓名、年龄、职业和兴趣爱好。"
    }
)
 
# 打印生成的完整提示词
print(prompt_value.to_string())
 
# 调用大模型
res = llm.invoke(prompt_value, config=config)
 
# 解析为强类型的Person对象
person = parser.invoke(res)
 
# 直接通过属性访问数据，IDE会提供完整代码提示
print(f"姓名: {person.name}")
print(f"年龄: {person.age}")
print(f"职位: {person.post}")
print(f"爱好: {person.hobbies}")