前端拥抱AI：LangChain.js 入门之Output Parser

什么是Output Parser？

顾名思义，就是输出解析，是根据下游的使用需求，把来自语言模型的原始文本按需要需要进行parser处理。它们帮助将语言模型的文本响应结构化为更有用的格式。输出解析器允许您将文本转换为JSON、XML等。

一个直观的示例图

Output Parser的用途

Output Parser有两个主要用途：

将非结构化文本转换为结构化数据。例如，将文本解析为JSON或其他对象。

在提示中插入指令，告诉语言模型如何格式化它们的响应。解析器可以提供一个getformatinstructions()方法，该方法返回提示的格式说明。

何时使用Output Parser？

当需要以下情况时，可以使用Output Parser：

• 希望将文本响应转换为结构化数据，如JSON、数组或其他自定义对象。

• 希望语言模型以您应用程序定义的自定义格式进行响应。解析器可以提供格式化指令。

  在使用语言模型的响应之前，希望验证或清理其内容。

LangChain中的Output Parser类型

LangChain提供了几种类型的输出解析器。在本指南中，我们将重点介绍以下几种：

• 列表解析器（CommaSeparatedListOutputParser）——解析逗号分隔的列表为JavaScript数组列表。

• 结构化输出解析器（StructuredOutputParser）——根据提供的模式解析为定义的格式。适用于仅文本的自定义模式。

列表解析器

列表解析器（CommaSeparatedListOutputParser）可以用于返回以逗号分隔的项目列表。

使用场景

当您希望语言模型返回一个简单的项目列表时，可以使用列表解析器。例如，将“apples, bananas, oranges”解析为[“apples”, “bananas”, “oranges”]。解析器会将逗号分隔的字符串拆分为JavaScript数组。

代码示例

import { CommaSeparatedListOutputParser} from "npm:/@langchain/core/output_parsers";``import { ChatPromptTemplate, PromptTemplate } from "npm:/@langchain/core/prompts";``import { Ollama } from "npm:/@langchain/community/llms/ollama";``const model = new Ollama({` `baseUrl: "http://localhost:11434",`  `model: "qwen2",` `});``const parser = new CommaSeparatedListOutputParser();``const prompt = PromptTemplate.fromTemplate(`  `"列出5个形容女生 {adj} 的调皮话成语{instructions}")``const chain = prompt.pipe(model).pipe(parser)``const response = await chain.invoke({`   `adj: "漂亮",`   `instructions: parser.getFormatInstructions(),``});``console.log(response)``// [ "闭月羞花，沉鱼落雁，倾国倾城，貌美如花，风情万种" ]

结构化数据输出解析器

使用场景&代码示例

结构化数据的返回或者自定义格式需求的返回，如下示例代码：

使用StructuredOutputParser方法，结合zod(ts类型校验的库)，我们通过Ollama使用通义千问大模型，我们定义返回一个人的信息要求返回json包含姓名，年龄，身高，发色。结合上期介绍的PromptTemplate中的ChatPromptTemplate方法，输入给system和humen不同角色的信息，对输入内容进行处理。

import { z } from "npm:/zod";``import { StructuredOutputParser } from "npm:/@langchain/core/output_parsers";``import { ChatPromptTemplate } from "npm:/@langchain/core/prompts";``import { Ollama } from "npm:/@langchain/community/llms/ollama";``const model = new Ollama({` `baseUrl: "http://localhost:11434",`  `model: "qwen2",` `});``const personSchema = z` `.object({`   `"姓名": z.optional(z.string())`           `.describe("描述人的姓名"),`   `"年龄": z.optional(z.number())`           `.describe("人的年岁，虚岁"),`   `"发色": z.optional(z.string())`           `.describe("发色, 如果有描述就输出，没有描述就写不详"),`   `"身高": z.optional(z.number())`           `.describe("身高"),` `}).describe("个人信息");``const parser = StructuredOutputParser.fromZodSchema(personSchema);``const prompt = ChatPromptTemplate.fromMessages([`  `[`   `"system",`   ``"回答用户输入的信息. 用 `json` 输出 换行符隔开\n{format_instructions}",```],`  `["human", "{query}"],``]);``   ``const partialedPrompt = await prompt.partial({`  `format_instructions: parser.getFormatInstructions(),``});``const query = "潘展乐,他出生于2004年8月4日,身高189.5cm";``const chain = partialedPrompt.pipe(model).pipe(parser);``   ``await chain.invoke({ query });``// { "姓名": "潘展乐", "年龄": 18, "发色": "不详", "身高": 189.5 }

总结

解析器的概念，用途，使用和类型，主要介绍了列表数组解析器和结构化数据输出解析器。

语言模型的世界是广阔而复杂的，但通过使用LangChain的输出解析器，我们可以以更结构化和有意义的方式利用它们的能力。这些解析器提高了原始输出的可用性，为更高级的应用和集成铺平了道路。无论是转换简单列表，还是结构化复杂的响应，LangChain都提供了解决方案。有了LangChain，我们就能够更好地驾驭大模型，确保在保持清晰和精确的同时，最大限度地利用我们的模型。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】