ScrapeGraphAI项目中使用Bedrock模型时的JSON解析与多图拼接问题分析

问题背景

ScrapeGraphAI是一个基于图结构的智能爬虫框架，它允许开发者通过配置不同的图节点来实现复杂的网页抓取和信息提取任务。近期在项目使用过程中，发现当采用AWS Bedrock作为底层大模型服务时，系统在JSON格式输出和多图拼接操作中会出现一些技术问题。

核心问题分析

1. 多图拼接时的实例化问题

在SmartScraperMultiConcatGraph的实现中，GraphIteratorNode期望接收一个未实例化的SmartScraperGraph类作为参数，但实际代码却传递了一个已实例化的对象。这导致系统在尝试调用graph_instance()时抛出"object is not callable"异常。

根本原因：

• GraphIteratorNode的设计初衷是通过类引用动态创建多个实例
• 但SmartScraperMultiConcatGraph提前实例化了对象并传递

解决方案： 正确的做法是传递类引用而非实例，并确保配置参数完整：

graph_iterator_node = GraphIteratorNode(
    input="user_prompt & urls",
    output=["results"],
    node_config={
        "graph_instance": SmartScraperGraph,
        "scraper_config": self.copy_config,
        "scraper_schema": self.copy_schema
    }
)

2. Bedrock模型的JSON输出解析问题

当使用Bedrock作为LLM服务时，系统在处理JSON格式输出时遇到两个关键问题：

2.1 格式指令缺失问题

在GenerateAnswerNode中，当检测到Bedrock客户端时，系统将format_instructions设置为空字符串，这导致后续模板渲染时出现UnboundLocalError。

问题表现：

• 代码分支中Bedrock模型被特殊处理
• 缺少必要的格式指令导致模板渲染失败

2.2 模式(Schema)遵从性问题

即使用户提供了输出模式(Schema)，Bedrock客户端路径下系统未正确应用这些约束，导致输出不符合预期结构。

深层原因：

• 代码中对Bedrock客户端的特殊处理可能基于历史兼容性考虑
• 但实际Bedrock模型完全有能力处理结构化输出

改进建议： 可以统一处理各类客户端，采用相同的输出解析逻辑：

if self.node_config.get("schema", None) is not None:
    if isinstance(self.llm_model, (ChatOpenAI, ChatMistralAI)):
        # 特殊处理OpenAI/Mistral的结构化输出
    else:
        # 统一处理其他客户端包括Bedrock
        output_parser = get_pydantic_output_parser(self.node_config["schema"])
        format_instructions = output_parser.get_format_instructions()

技术启示与最佳实践

1. 客户端抽象层设计： 建议框架对不同的LLM服务提供更一致的接口抽象，避免在业务逻辑中频繁进行客户端类型判断。

2. 配置传递机制： 多图拼接场景下，需要明确区分类引用和实例的使用场景，建立清晰的配置传递规范。

3. 结构化输出处理： 对于JSON等结构化输出，建议：

   • 统一输出解析接口
   • 提供更灵活的模式验证机制
   • 实现更好的错误处理和提示

4. Bedrock服务集成： 虽然Bedrock与其他服务有差异，但在输出处理上可以保持一致性，减少特殊逻辑分支。

总结