Lesson 02 练习 — 三件套：Models + Prompts + Parsers

动手做才能真懂。重点在第 3、4 题（结构化输出，面试常考）。

练习 1：对比 from_messages 和手写 messages（10 分钟）

打开 rag-lessons/05_prompt/code.py，看 section_citation 里手写的 prompt。

把它改写成 ChatPromptTemplate.from_messages([...]) 的形式（system + human 双角色），在本课 code.py 的基础上写一小段测试代码跑通。

思考： - 手写版和框架版，哪个改"system 指令"更方便？ - 如果你要在 system 里加一句"回答用 markdown"，两种写法分别怎么改？

code.py 实验②里用了 .partial(format_instructions=...)。回答：

给 EmployeeCard 加两个字段： - department: str（部门） - is_manager: bool（是否管理者）

然后分别用两种方式让 GLM 提取：

输入文本："王五是研发部技术总监，管理 10 人团队，工作 8 年，擅长架构设计"

预期输出类似：

EmployeeCard(name='王五', years=8, department='研发部', is_manager=True, skills=['架构设计'])

要求： 1. 用 PydanticOutputParser 方式实现一遍 2. 用 with_structured_output 方式实现一遍 3. 对比两种方式的代码量

观察：bool 字段模型能正确推断吗？如果文本里没明说"是管理者"，模型会怎么处理？

故意给一段信息不完整的文本： "赵六是个员工"（没说工龄、没说技能）

分别用两种方式提取，观察： 1. PydanticOutputParser 会怎样？（可能报错，因为 years 是必填 int） 2. with_structured_output 会怎样？

然后修复：把 years 和 skills 改成可选字段（Optional[int] = None、Optional[list[str]] = None），重跑。

这是面试高频考点：结构化输出如何处理信息缺失。Pydantic 的 Optional + default 是标准解法。

提示：

from typing import Optional
class EmployeeCard(BaseModel):
    name: str
    years: Optional[int] = None
    skills: Optional[list[str]] = None

如果你有 OpenAI 或其他模型的 Key，把 create_llm() 里的 ChatZhipuAI 换成对应的 ChatModel（如 ChatOpenAI），其余代码一行不改，验证三件套的链是否能照跑。

没有 Key 也没关系，理解这个概念即可：这就是 BaseChatModel 统一接口的价值。

with_structured_output 和 PydanticOutputParser，什么时候选哪个？ 想一个必须用后者的场景。
with_structured_output 背后用的是 Function Calling。 回顾 Agent L02，模型返回的 tool_call.function.arguments 是什么类型？框架要把它变成 Pydantic 对象，中间做了什么？
为什么 LangChain 要把 Prompt 也设计成 Runnable（能 .invoke()）？ 如果 Prompt 只是普通字符串，LCEL 的 | 管道还能成立吗？

下一课 L03 进入数据层：Loaders + Splitters + VectorStores。