AI开发-python-langchain框架（1-11 返回枚举-格式解析器）

跟上一篇内容一样，这次我们来看如何限定大模型返回的结果值是枚举类型的。

先看代码：

# 导入必要的模块 from langchain.prompts import PromptTemplate # 用于创建和管理提示模板 from langchain_openai import ChatOpenAI # 用于调用OpenAI兼容的聊天模型（如DeepSeek） from langchain.output_parsers.enum import EnumOutputParser # 用于将LLM输出解析为枚举类型 from enum import Enum # Python标准库，用于定义枚举类型 import os # 用于读取环境变量 # 定义颜色枚举类，限定LLM输出必须为以下五种颜色之一 class Colors(Enum): RED = "红色" BROWN = "棕色" BLACK = "黑色" WHITE = "白色" YELLOW = "黄色" # 创建枚举输出解析器，强制LLM输出必须匹配Colors枚举中的值 output_parser = EnumOutputParser(enum=Colors) # 获取格式化指令，告诉LLM如何正确格式化输出（例如："输出必须是：红色、棕色..."） format_instructions = output_parser.get_format_instructions() print(format_instructions) # 打印格式要求，用于调试或提示用户 print('###########') # 分隔线 # 创建提示模板：包含两个占位符 {person}（人物）和 {instructions}（输出格式要求） promptTemplate = PromptTemplate.from_template( """{person}的皮肤主要是什么颜色？ {instructions}""" ) # 固定instructions部分的内容，避免每次调用时重复传入 instructions = "响应的结果请选择以下选项之一：红色、棕色、黑色、白色、黄色。" prompt = promptTemplate.partial(instructions=instructions) # partial用于预填充模板中的部分变量 # 输出完整提示词示例（以"亚洲人"为例），用于调试查看实际发送给LLM的内容 print(prompt.invoke({"person": "亚洲人"}).text) print('--------------') # 初始化聊天模型（使用DeepSeek API） llm = ChatOpenAI( api_key=os.getenv("DEEPSEEK_API_KEY"), # 从环境变量读取API密钥 base_url=os.getenv("BASE_URL"), # 从环境变量读取API基础URL（如 https://api.deepseek.com） model="deepseek-v3:671b", # 指定使用的模型版本 temperature=0.7, # 生成随机性控制：0.7 适中创造性 max_tokens=1024 # 单次响应最大token数 ) # 构建处理链：提示模板 → 大语言模型 → 枚举解析器 # 实现端到端流程：生成提示 → 调用LLM → 强制输出为枚举类型 chain = prompt | llm | output_parser # 调用链，传入"亚洲人"作为输入 result = chain.invoke({"person": "亚洲人"}) # 输出解析后的结果（Enum类型） print(result) # 打印枚举对象（如：Colors.YELLOW） print(result.name) # 打印枚举成员名称（如："YELLOW"） print(result.value) # 打印枚举成员值（如："黄色"）

返回值：

Select one of the following options: 红色, 棕色, 黑色, 白色, 黄色 ########### 亚洲人的皮肤主要是什么颜色？ 响应的结果请选择以下选项之一：红色、棕色、黑色、白色、黄色。 -------------- Colors.YELLOW YELLOW 黄色

重点说明：

精准控制大模型输出范围
本方案的核心目标是强制大语言模型返回预定义的枚举类型值，彻底解决自由文本输出的不确定性问题。通过结构化约束机制，确保模型响应严格限定在业务允许的选项集合内（如仅返回“红色、棕色、黑色、白色、黄色”），从源头杜绝“浅黄”“米白”等非标准值，显著提升系统可靠性与数据一致性。

双重约束保障输出合规性
枚举输出解析器（EnumOutputParser）构建前后端双重防护：前端通过/* by 01022.hk - online tools website : 01022.hk/zh/md5.html */ get_format_instructions()自动生成格式指令并注入提示词，明确引导模型“仅可选择以下选项之一”；后端在解析阶段对返回结果进行强校验，任何超出枚举范围的值将立即抛出/* by 01022.hk - online tools website : 01022.hk/zh/md5.html */ OutputParserException异常，形成从生成到解析的全链路约束。

枚举类型定义数据契约
通过Python的Enum类预先声明合法值集合（如Colors枚举），建立系统与模型之间的标准化数据契约。该设计不仅明确业务规则边界，更使模型输出直接转换为类型安全的枚举对象，开发者可直接通过.name（如"YELLOW"）和.value（如"黄色"）属性获取结构化结果，彻底规避字符串清洗与匹配的繁琐处理。

典型应用场景与业务价值
该方案特别适用于需严格输出控制的场景：情感分析限定{正面/中性/负面}、审批状态约束{待审/通过/拒绝}、颜色识别规范标准色系等。相比传统依赖正则表达式或关键词匹配的后处理方案，枚举控制从设计层面根除脏数据风险，降低90%以上的数据清洗成本，为关键业务系统提供确定性保障。

增强鲁棒性的实践建议
实际部署时建议结合重试机制提升容错能力：当模型首次输出不符合枚举要求时，自动触发2-3次重试并强化格式提示，成功率可达99%以上。对于金融、医疗等关键场景，可设置异常兜底策略——连续解析失败时自动转交人工审核，形成“自动约束+人工兜底”的完整质量保障闭环。