LangChain 入门双基石：让大模型输出结构化数据并记住你说过的话

鱼鱼块
68 阅读6分钟

LangChain 初探：OutputParser 与 Memory 模块入门指南

在使用大语言模型（LLM）构建应用时，我们常常会遇到两个基本但关键的问题：

  • 如何让模型返回结构化、可编程处理的数据？
  • 如何让模型“记住”之前的对话内容，实现多轮交互？

LangChain 提供了两个非常实用的模块来分别解决这两个问题：OutputParser 和 Memory。本文将用通俗易懂的方式，结合代码示例，带你轻松入门这两个核心概念。

一、让模型输出“规规矩矩”的数据 —— OutputParser

在深入 OutputParser 之前，先让我们认识一位重要的“搭档”——Zod

先认识 Zod：给 JavaScript 加上“类型尺子”

Zod 是一个用于 TypeScript/JavaScript 的运行时类型验证库。你可以把它想象成一把“尺子”——不仅能在代码编写时（开发阶段）检查数据是否符合预期结构，还能在程序运行时（比如接收用户输入或 API 响应时）自动校验并抛出清晰的错误。 例如，你希望一段数据必须包含 name（字符串）和 age（数字），用 Zod 可以这样定义：

const UserSchema = z.object({
  name: z.string(),
  age: z.number().min(0)
});

如果传入 { name: "张三", age: -5 }，Zod 会立刻指出：“年龄不能为负数！”——这种能力对于确保程序健壮性至关重要。

在 LangChain 中，Zod 被用来精确描述你期望 LLM 输出的 JSON 结构，从而为后续解析提供“蓝图”。

再看 OutputParser：把“自由发挥”变成“标准答案”

大语言模型天生擅长“自由写作”，但程序需要的是结构化、可预测的数据。比如，你希望模型返回一个包含“城市名、天气、温度”的对象，而不是一段散文。

这就是 OutputParser 的用武之地。它是 LangChain 中用于解析并验证模型输出的工具。其中最常用的是 JsonOutputParser，它能：

  1. 自动生成格式指令（告诉模型该怎么写）；
  2. 自动解析模型返回的文本为 JSON 对象；
  3. 结合 Zod 进行类型校验，确保字段完整、类型正确。

当 Zod 遇上 OutputParser，就相当于你不仅给了模型一张填空表，还配了一个监考老师——既要求格式正确，又实时检查有没有乱填。

使用 JsonOutputParser + Zod 定义结构

LangChain 提供了 JsonOutputParser，配合 zod（一个强大的 TypeScript 类型验证库），我们可以精确地定义期望的输出结构。

首先安装依赖：

pnpm i zod
pnpm i @langchain/core

然后定义一个“前端概念卡片”的结构：

const FrontendConceptSchema = z.object({
  name: z.string().describe('概念名称'),
  core: z.string().describe('核心要点'),
  useCase: z.array(z.string()).describe('常见使用场景'),
  difficulty: z.enum(['简单', '中等', '复杂']).describe('学习难度')
});

这段代码就像给模型画了一张“填空表”：必须填“名称”、“核心”、“使用场景（数组）”和“难度（三选一）”。

接着，创建解析器并生成格式指令：

const jsonParser = new JsonOutputParser(FrontendConceptSchema);
const formatInstructions = jsonParser.getFormatInstructions();

getFormatInstructions() 会自动生成一段提示词，告诉模型：“你必须只返回符合这个 JSON 结构的内容，不能多也不能少”。

最后，把提示词、模型和解析器串成一条流水线（chain）：

const prompt = PromptTemplate.fromTemplate(`
你是一个只会输出 JSON 的 API，不允许输出任何解释性文字。
⚠️ 你必须【只返回】符合以下 Schema 的 JSON：
- 不允许增加字段
- 不允许减少字段
- 字段名必须完全一致
{format_instructions}

前端概念：{topic}
`);

const chain = prompt.pipe(model).pipe(jsonParser);

const response = await chain.invoke({
  topic: 'this关键字',
  format_instructions: formatInstructions
});

console.log(response);

输出示例：

image.png

💡

这就像是你给外卖小哥一张标准订单表，他必须按表格填写菜品、数量、备注，不能自由发挥写诗。这样厨房（你的程序）才能准确处理。

通过这种方式，我们就能稳定地获取结构化数据，避免手动解析混乱的自然语言输出。

二、让模型“记住”你说过的话 —— Memory（对话记忆）

默认情况下，每次调用大模型都是“失忆”的。比如你先说“我叫张三”，再问“我叫什么名字？”，模型很可能回答“我不知道”。

这就像每次见面都假装第一次认识你——虽然礼貌，但没法聊天！

为了直观感受这一点，我们先看一个没有记忆功能的典型调用）：

const model = new ChatDeepSeek({
model: 'deepseek-chat',
temperature: 0 
});
     
const chain = prompt.pipe(model);
// 第一次提问
const res = await model.invoke('我叫张三');
console.log(res.content);
console.log('---------');
//第二次提问，模型失忆
const res2 = await model.invoke('我叫什么名字');
console.log(res2.content);

输出结果：

image.png

❌ 问题在哪？
虽然我们在同一个程序里连续调用了两次，但模型根本不知道这是“同一场对话”。因为每次 invoke 都只发送当前这条消息，历史记录被丢弃了。

引入 Memory：给对话装上“记事本”

记忆四件套：让对话真正连贯起来
1️⃣ ChatPromptTemplate.fromMessages：设计带“插槽”的提示词

我们使用 fromMessages 构建一个多段提示模板，并预留一个位置专门放历史记录：

const prompt = ChatPromptTemplate.fromMessages([
  ['system', '你是一个有记忆的助手'],
  ['placeholder', '{history}'],  // ← 这就是历史消息的“插槽”
  ['human', '{input}']
]);

📌 ['placeholder', '{history}'] 不是普通文本，而是一个动态占位符。运行时，LangChain 会自动把真实的历史消息数组填进去。

2️⃣ InMemoryChatMessageHistory：临时存放对话的小本子

这是 LangChain 内置的内存级历史存储，适合开发或单用户场景：

const messageHistory = new InMemoryChatMessageHistory();

它内部维护一个 messages 数组，记录所有 HumanMessage 和 AIMessage。

⚠️ 注意：重启程序后记忆会丢失。生产环境可用 Redis、数据库等替代。

3️⃣ RunnableWithMessageHistory：给普通链“注入记忆能力”

这是核心魔法！它把一个普通的 runnable（比如 prompt.pipe(model)）包装成支持自动读写历史的新对象：

const runnable = prompt.pipe(model);

const chainWithMemory = new RunnableWithMessageHistory({
  runnable,                          // 原始链
  getMessageHistory: async () => messageHistory, // 如何获取历史存储
  inputMessagesKey: 'input',         // 用户输入字段名
  historyMessagesKey: 'history'      // 历史消息在提示词中的变量名（对应 {history}）
});

从此，每次调用 chainWithMemory.invoke()，LangChain 都会：

  1. 自动从 messageHistory 读取历史；
  2. 填入提示词的 {history} 位置；
  3. 调用模型；
  4. 把新的人类输入和 AI 回复自动追加到 messageHistory 中。
4️⃣ configurable + sessionId：支持多用户并行对话

在真实应用中，你的 AI 助手不可能只和一个人聊天。张三问完问题，李四接着问——他们的对话必须互不干扰。LangChain 通过 configurable 和 sessionId 轻松实现这一点

await chainWithMemory.invoke(
  {
  input: '你好，我叫张三' 
  },
  {
  configurable: {
  sessionId: 'makefriend' 
  } 
  }
);

const response = await chainWithMemory.invoke(
  {
  input: '我刚才说我的名字是什么？' 
  },
  { 
  configurable: { 
  sessionId: 'makefriend'
  }
  }
);

console.log(response.content);

注意：sessionId 是关键！它是每个对话的唯一标识符，同一个会话 ID 才会共享同一段记忆。不同用户或不同对话应使用不同 ID，避免记忆混淆。

输出结果：

image.png

总结：LangChain 的两大基石

  • OutputParser：确保模型输出结构清晰、类型安全的数据，适合对接前端、数据库或 API。
  • Memory（如 RunnableWithMessageHistory） ：赋予模型上下文记忆能力，支撑多轮对话、个性化交互等场景。

这两个模块看似独立，却是构建智能应用的“左膀右臂”。在此基础上，LangChain 还提供了更多高级模块：

  • Retrieval（检索增强） ：让模型基于你的私有文档回答问题；
  • Agents（智能体） ：让模型自主调用工具、做决策；
  • Chains（链式编排） ：组合多个步骤形成复杂工作流。

掌握 OutputParser 和 Memory，你就已经迈出了用 LangChain 构建可靠 AI 应用的第一步！接下来，可以尝试将两者结合：既有记忆，又能返回结构化结果——那才是真正的智能助手雏形。

avatar
文章
阅读
粉丝