在当前的 LLM 应用开发中，我们经常陷入两个极端的场景：
- 记性好的话痨：类似于 ChatBot，能记住上下文，聊天体验流畅，但输出全是不可控的自然语言。
- 一次性的 API：类似于信息提取工具，能返回标准的 JSON 数据，但它是“无状态”的，每一轮调用都是全新的开始。
然而，在复杂的业务系统中，我们往往需要二者兼备：既要像人一样拥有记忆上下文的能力，又要像传统 API 一样返回严格的结构化数据（JSON）。
本文将基于 LangChain (LCEL) 体系，讲解如何将 Memory (记忆模块) 与 OutputParser (输出解析器) 结合，打造一个既懂业务逻辑又能规范输出的智能助手。
第一部分：记忆的载体 (Review)
我们在之前的工程实践中已经明确：LLM 本身是无状态的（Stateless）。为了维持对话的连续性，我们需要在应用层手动维护历史消息。
在 LangChain 中，RunnableWithMessageHistory 是实现这一功能的核心容器。它的工作原理非常直观：
- 读取：在调用大模型前，从存储介质（Memory）中读取历史对话。
- 注入：将历史对话填充到 Prompt 的占位符（Placeholder）中。
- 保存：模型返回结果后，将“用户输入”和“AI 回复”追加到 Memory 中。
这是让 AI “拥有记忆”的基础设施。
第二部分：输出的规整 (The Parser)
模型原生的输出是 BaseMessage 或纯文本字符串。直接在业务代码中使用 JSON.parse() 处理模型输出是非常危险的，原因如下：
- 幻觉与废话：模型可能会在 JSON 前后添加 "Here is your JSON" 之类的自然语言。
- 格式错误：Markdown 代码块符号（```json）会破坏 JSON 结构。
- 字段缺失：模型可能忘记输出某些关键字段。
LangChain 提供了 OutputParser 组件来充当“翻译官”和“校验员”。
1. StringOutputParser
最基础的解析器。它将模型的输出（Message 对象）转换为字符串，并自动去除首尾的空白字符。这在处理简单的文本生成任务时非常有用。
2. StructuredOutputParser (重点)
这是工程化中最常用的解析器。它通常与 Zod 库结合使用，能够：
- 生成提示词：自动生成一段 Prompt，告诉模型“你需要按照这个 JSON Schema 输出”。
- 解析结果：将模型返回的文本清洗并解析为标准的 JavaScript 对象。
- 校验数据：确保返回的数据类型符合定义（如 age 必须是数字）。
第三部分：核心实战 (The Fusion)
接下来，我们将构建一个**“用户信息收集助手”**。
需求：助手与用户对话，记住用户的名字（Memory），并根据对话内容提取用户的详细信息（Parser），最终输出包含 { name, age, job } 的标准 JSON 对象。
以下是基于 LangChain LCEL 的完整实现代码：
1. 环境准备与依赖
确保安装了 @langchain/core, @langchain/deepseek, zod。
2. 代码实现
JavaScript
import { ChatDeepSeek } from "@langchain/deepseek";
import { ChatPromptTemplate, MessagesPlaceholder } from "@langchain/core/prompts";
import { RunnableWithMessageHistory } from "@langchain/core/runnables";
import { InMemoryChatMessageHistory } from "@langchain/core/chat_history";
import { StructuredOutputParser } from "@langchain/core/output_parsers";
import { z } from "zod";
import 'dotenv/config';
// 1. 定义输出结构 (Schema)
// 我们希望模型最终返回的数据格式
const parser = StructuredOutputParser.fromZodSchema(
z.object({
name: z.string().describe("用户的姓名，如果未知则为 null"),
age: z.number().nullable().describe("用户的年龄，如果未知则为 null"),
job: z.string().nullable().describe("用户的职业，如果未知则为 null"),
response: z.string().describe("AI 对用户的自然语言回复")
})
);
// 获取格式化指令，这会自动生成一段类似 "You must format your output as a JSON value..." 的文本
const formatInstructions = parser.getFormatInstructions();
// 2. 初始化模型
const model = new ChatDeepSeek({
model: "deepseek-chat", // 使用适合对话的模型
temperature: 0, // 设为 0 以提高结构化输出的稳定性
});
// 3. 构建 Prompt 模板
// 关键点：
// - history: 用于存放历史记忆
// - format_instructions: 用于告诉模型如何输出 JSON
const prompt = ChatPromptTemplate.fromMessages([
["system", "你是一个用户信息收集助手。你的目标是从对话中提取用户信息。\n{format_instructions}"],
["placeholder", "{history}"], // 历史消息占位符
["human", "{input}"]
]);
// 4. 构建处理链 (Chain)
// 数据流向：Prompt -> Model -> Parser
const chain = prompt.pipe(model).pipe(parser);
// 5. 挂载记忆模块
// 使用内存存储历史记录 (生产环境应替换为 Redis 等)
const messageHistory = new InMemoryChatMessageHistory();
const chainWithHistory = new RunnableWithMessageHistory({
runnable: chain,
getMessageHistory: async (sessionId) => {
// 实际业务中应根据 sessionId 获取对应的历史记录
return messageHistory;
},
inputMessagesKey: "input",
historyMessagesKey: "history",
});
// 6. 执行与测试
async function run() {
const sessionId = "user_session_123";
console.log("--- 第一轮对话 ---");
const res1 = await chainWithHistory.invoke(
{
input: "你好，我叫陈总，我是一名全栈工程师。",
format_instructions: formatInstructions // 注入格式化指令
},
{ configurable: { sessionId } }
);
// 此时 res1 已经是一个标准的 JSON 对象，而不是字符串
console.log("解析后的输出:", res1);
// 输出示例: { name: '陈总', age: null, job: '全栈工程师', response: '你好陈总，很高兴认识你！' }
console.log("\n--- 第二轮对话 ---");
const res2 = await chainWithHistory.invoke(
{
input: "我今年35岁了。",
format_instructions: formatInstructions
},
{ configurable: { sessionId } }
);
console.log("解析后的输出:", res2);
// 输出示例: { name: '陈总', age: 35, job: '全栈工程师', response: '好的，记录下来了，你今年35岁。' }
}
run();
第四部分：工程化思考
在将 Memory 和 Parser 结合时，有几个关键的工程细节需要注意：
1. 数据流向与调试
在上面的代码中，数据流向是：
User Input -> Prompt Template (注入 History + Format Instructions) -> LLM -> String Output -> Output Parser -> JSON Object。
如果你发现报错，通常是因为模型没有严格遵循 formatInstructions。建议在开发阶段使用 ConsoleCallbackHandler 或 LangSmith 监控中间步骤，查看传递给模型的最终 Prompt 是否包含了正确的 JSON Schema 定义。
2. 记忆存储的内容
这是一个极其容易被忽略的点：Memory 中到底存了什么？
在 RunnableWithMessageHistory 的默认行为中，它会尝试存储 Chain 的输入和输出。
- 输入：{ input: "..." } (文本)
- 输出：经过 Parser 处理后的 JSON 对象。
当下一轮对话开始时，LangChain 会尝试将这个 JSON 对象注入到 Prompt 的 {history} 中。虽然 LangChain 会尝试将其序列化为字符串，但为了保证 Prompt 的语义清晰，建议模型生成的 response 字段专门用于维持对话上下文，而结构化数据则用于业务逻辑处理。
3. Token 消耗
引入 StructuredOutputParser 会显著增加 Prompt 的长度（因为它注入了复杂的 Schema 定义）。在多轮对话中，如果历史记录也越来越长，很容易超出上下文窗口或导致 API 费用激增。务必配合 ConversationSummaryMemory（摘要记忆）或限制历史消息条数。
结语
LangChain 的魅力在于其组件的积木式组合。通过将 RunnableWithMessageHistory（状态管理）与 StructuredOutputParser（输出规整）串联，我们将 LLM 从一个“不可控的聊天机器人”进化为了一个“有状态的业务处理单元”。
掌握这一套组合拳，是在生产环境构建复杂 AI Agent 的必经之路。
