Java AI转型实战（七）：Output Parser，让AI输出结构化数据

超超不吵吵
0 阅读4分钟

从“自然语言”到“结构化数据”，让程序真正读懂AI的回复

01 引子

经过前六篇的实战，我们的AI已经能聊天、能记住上下文、能流式输出、能调用Java方法。但有一个问题始终存在：

AI返回的是自然语言文本，程序无法直接使用。

比如让AI“提取会议信息”，它可能返回：

“明天下午3点有一个项目评审会，在会议室A举行，预计持续1小时。”

这段文字对人类来说很好理解，但对程序来说——怎么提取时间？怎么拿到地点？怎么知道时长？——只能写正则表达式硬解析，脆弱又麻烦。

这一篇的目标：让AI直接返回结构化的JSON数据，程序拿来即用。

02 什么是Output Parser？

一句话概括：  Output Parser是Spring AI提供的工具，用于将AI的输出从“自然语言文本”转换为“结构化数据”（如Java对象、Map、List等）。

Parser输出格式适用场景
BeanOutputParserJava对象最常用，直接映射到业务对象
MapOutputParserMap<String, Object>简单场景，不需要预定义类
ListOutputParserList<?>返回列表数据

本篇重点：BeanOutputParser，最常用、功能最强大。

03 原理：AI怎么知道该输出什么格式？

你可能好奇：AI怎么知道要输出JSON？怎么知道该有哪些字段？

关键在于 Spring AI 会自动生成 JSON Schema，并附加到请求中。

text

用户问题 + JSON Schema（说明输出格式） → 大模型 → 按格式返回JSON → Spring AI 反序列化为Java对象

这个Schema描述了目标类的所有字段、类型和描述，AI根据它来生成符合格式的JSON。

你只需要：

  1. 定义一个Java类
  2. 创建 BeanOutputConverter<T>
  3. 调用 .entity(converter)

剩下的全部由Spring AI自动完成。

04 代码实现

第一步：定义数据类

在 com.example.myai.model 包下创建 MeetingInfo.java：

image.png

关键要求：  必须有无参构造和Getter/Setter，否则JSON无法反序列化为Java对象。

第二步：在Service中使用OutputParser

修改 AIService.java，新增 extractMeetingInfo 方法：

image.png

关键点：

  • new BeanOutputConverter<>(MeetingInfo.class)：创建转换器，指定目标类型
  • .entity(converter)：告诉Spring AI将输出转换为MeetingInfo对象
  • 不要将BeanOutputConverter声明为Spring Bean（踩坑记录会详细说明）

第三步：暴露接口

在 AIController.java 中新增接口：

image.png

05 测试验证

启动项目，在浏览器中访问：

image.png

更复杂的输入测试：

image.png

换个说法再测：

image.png

三个不同场景全部成功，AI能准确提取信息并返回结构化JSON。  ✅

06 踩坑记录

坑：BeanOutputConverter不能声明为Spring Bean

一开始我这样写：

@Configuration
public class OutputParserConfig {
    @Bean
    public BeanOutputConverter<MeetingInfo> meetingInfoConverter() {
        return new BeanOutputConverter<>(MeetingInfo.class);
    }
}

然后在Service中注入：

public AIService(..., BeanOutputConverter<MeetingInfo> meetingInfoConverter) {
    // ...
}

启动报错：

Unable to determine source type <S> and target type <T> for your Converter 
[org.springframework.ai.converter.BeanOutputConverter]; 
does the class parameterize those types?

原因：  BeanOutputConverter 虽然实现了 Converter<S, T> 接口，但它的泛型参数是在运行时通过构造函数传入的。Spring在启动时扫描所有 Converter 类型的Bean并注册到 ConversionService，由于泛型信息不完整，导致类型推断失败。

解决方法：  不在配置类中声明为Bean，而是在Service方法内直接创建：

// ✅ 正确做法
public MeetingInfo extractMeetingInfo(...) {
    BeanOutputConverter<MeetingInfo> converter = new BeanOutputConverter<>(MeetingInfo.class);
    return chatClient.prompt()
            ...
            .entity(converter);
}

这样避免了Spring自动配置机制的干扰。

07 应用场景扩展

场景用户输入OutputParser输出后续用途
会议信息提取"明天下午3点开会"{topic, time, location, duration}自动创建日历事件
订餐系统"我要一份宫保鸡丁，微辣"{dish:"宫保鸡丁", spice:"微辣", quantity:1}生成订单
智能表单用户任意描述需求{title, description, priority, assignee}自动创建工单
数据查询"帮我看看上个月销售额"{total:1280000, month:7, growth:0.12}生成报表

08 下期预告

到此为止，我们已经完成了 Spring AI 的核心功能闭环：

功能状态
首次调用 API✅
多轮对话✅
流式输出✅
Function Calling✅
Output Parser✅

接下来，我们将进入企业级AI应用的核心领域——RAG（检索增强生成）。

RAG让AI能够基于你的私有文档（PDF、Word、TXT等）回答问题，解决大模型“知识陈旧”和“幻觉”问题。这也是目前企业AI应用落地最广泛的技术方案。

下一篇，我们开始搭建第一个RAG知识库。

📌 我是超超不吵吵，10年Java全栈，正在转型AI应用开发。
每周一篇实战笔记，不贩卖焦虑，只分享能落地的技术。
掘金/CSDN同名，欢迎关注。

avatar
文章
阅读
粉丝