詳細解釋
在 LLM 工作流中，將模型的文本輸出轉換為結構化數據（Python 對象、JSON、數據庫記錄）的組件，是連接「自由文本」和「程序邏輯」的橋樑。
為何需要：
- LLM 輸出是自由文本，程序需要結構化數據操作
- 直接字符串處理易錯、脆弱
- 類型安全：編譯時檢查而非運行時報錯
解析策略：
- Pydantic：定義類，自動驗證和轉換
- JSON：要求模型輸出 JSON，用標準庫解析
- XML/CSV：特定場景的結構化格式
- 正則：從文本提取特定模式
- 復試：解析失敗時重試或請模型修正
LangChain 的輸出解析器：
- PydanticOutputParser：最常用，類型安全
- StructuredOutputParser：字典列表結構
- CommaSeparatedListOutputParser：簡單列表
- DatetimeOutputParser：日期時間對象
錯誤處理：
- 格式錯誤：模型未按指示輸出有效 JSON
- 類型錯誤：數字字段輸出字符串
- 缺失字段：必填項未提供
- 驗證失敗：值不在允許範圍（如年齡 > 200）
最佳實踐：
- 提示中給出示例（Few-shot）
- 使用「修復」鏈：解析失敗 → 反饋錯誤 → 重新生成
- 寬鬆模式：允許部分解析，不強求全有或全無
這是 LLM 應用的「膠水代碼」—— 看似簡單，但佔據大量開發時間，好的解析器能顯著提升系統魯棒性。