LangChain4j（7）——输出格式化

原创 已于 2025-04-09 15:51:10 修改 · 1k 阅读 · 10 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#开发语言 #人工智能 #LangChain4j

于 2025-04-09 15:49:36 首次发布

很多大模型都支持对输出的内容进行格式化，通常情况下，一般将输出内容格式化为json数据，方便进行对象的转换。

LangChain4j中集成了对某些LLM格式化输出的支持，根据官网说明，暂时只对Azure OpenAI、OpenAI、Google AI Gemini、Ollama提供支持。

LangChain4j中是通过设置JSON Schema实现对JSON格式化输出处理，其中涉及的对象包括：

  • JsonObjectSchema：针对Object类型，转换为{}
  • JsonStringSchema：针对字符串、字符类型
  • JsonIntegerSchema：针对int、Integer、long、Long、BigInteger等类型
  • JsonNumberSchema：针对float、Float、double、Double、BigDecimal等类型
  • JsonBooleanSchema：针对boolean、Boolean类型
  • JsonEnumSchema：针对枚举类型
  • JsonArraySchema：针对数组、集合等类型，转换为[]
  • JsonReferenceSchema：针对对象中出现递归的情况，比如Person类中包含一个List<Person>属性的情况
  • JsonAnyOfSchema： 提供对多态的对象的支持

但是，不同的模型对JSON Schema的支持也不一样，比如OpenAI仅支持rootElement为JsonObjectSchema，而Gemini还支持JsonArraySchema、JsonEnumSchema。所以在集成不同的模型时，需要查看模型的官网中对响应参数格式的要求。

本文仅测试了智谱的GLM-4-FLASH、通过OpenAI访问DeepSeekAPI、通过Ollama调用私有化部署的DeepSeek。

先说下根据测试的结果得出的个人见解吧，很多大模型对输出格式化的参数要求都不一样，直接使用JSON Schema相对复杂，直接在prompt中要求大模型返回指定json格式的数据其实更简单。

测试GLM-4-FLASH的输出格式化

通过大模型给出Java面试题，并格式化为json格式输出，数据中包含面试题的id、标题title、答案answer。

package com.renr.langchain4jnew.app;

import com.renr.langchain4jnew.constant.CommonConstants;
import dev.langchain4j.community.model.zhipu.ZhipuAiChatModel;
import dev.langchain4j.data.message.UserMessage;
import dev.langchain4j.model.chat.request.ChatRequest;
import dev.langchain4j.model.chat.request.ResponseFormat;
import dev.langchain4j.model.chat.request.ResponseFormatType;
import dev.langchain4j.model.chat.request.json.*;
import dev.langchain4j.model.chat.response.ChatResponse;

import java.time.Duration;

/**
 * @Title: 返回格式化信息
 * @Author 老任与码
 * @Date 2025-04-09 11:05
 */
public class App11 {

    public static void main(String[] args) {
        // GLM-4-Flash不支持设置响应为json格式
        ZhipuAiChatModel chatModel = ZhipuAiChatModel.builder()
                // 模型key
                .apiKey(CommonConstants.API_KEY)
                // 精确度
                .temperature(0.9)
                .model("GLM-4-Flash")
                .maxRetries(3)
                .callTimeout(Duration.ofSeconds(60))
                .connectTimeout(Duration.ofSeconds(60))
                .writeTimeout(Duration.ofSeconds(60))
                .readTimeout(Duration.ofSeconds(60))
                .build();

        // 设置每个元素的说明
        JsonSchemaElement idSchema = JsonIntegerSchema.builder()
                .description("面试题的id")
                .build();
        JsonSchemaElement titleSchema = JsonStringSchema.builder()
                .description("面试题的标题")
                .build();
        JsonSchemaElement answerSchema = JsonStringSchema.builder()
                .description("面试题的答案")
                .build();

        // 设置格式为json对象包含的属性
        JsonSchemaElement rootElement = JsonObjectSchema.builder()
                .addProperty("id", idSchema)
                .addProperty("title", titleSchema)
                .addProperty("answer", answerSchema)
                .required("id", "title", "answer")
                .build();
        // 设置格式化为数组时，数组中元素的类型
        JsonSchemaElement rootElement2 = JsonArraySchema.builder()
                .description("面试题信息")
                .items(rootElement)
                .build();


        // 设置响应格式
        ResponseFormat responseFormat = ResponseFormat.builder()
                .type(ResponseFormatType.JSON) // type can be either TEXT (default) or JSON
                .jsonSchema(JsonSchema.builder()
                        .name("Subject")
                        .rootElement(rootElement)
                        .build())
                .build();


        UserMessage userMessage = UserMessage.from("请随机生成2道java基础的面试题，要求返回面试题的题号、题目和答案");
        // 聊天时的请求对象
        ChatRequest chatRequest = ChatRequest.builder()
                // 设置响应格式
                .responseFormat(responseFormat)
                .messages(userMessage)
                .build();
        // 聊天的响应对象
        ChatResponse chatResponse = chatModel.chat(chatRequest);

        String output = chatResponse.aiMessage().text();
        System.out.println(output);
    }
}

输出

通过输出可以看到，GLM-4-Flash不支持JSON Schema指定的JSON格式。上文我们其实也提到了，LangChain4j没有提供对智谱大模型的格式化输出的支持。

但是我们可以直接要求其返回json格式：

package com.renr.langchain4jnew.app;

import com.renr.langchain4jnew.constant.CommonConstants;
import dev.langchain4j.community.model.zhipu.ZhipuAiChatModel;
import dev.langchain4j.data.message.UserMessage;
import dev.langchain4j.model.chat.request.ChatRequest;
import dev.langchain4j.model.chat.request.ResponseFormat;
import dev.langchain4j.model.chat.request.ResponseFormatType;
import dev.langchain4j.model.chat.request.json.*;
import dev.langchain4j.model.chat.response.ChatResponse;

import java.time.Duration;

/**
 * @Title: 返回格式化信息
 * @Author 老任与码
 * @Date 2025-04-09 11:05
 */
public class App11 {

    public static void main(String[] args) {
        // GLM-4-Flash不支持设置响应为json格式
        ZhipuAiChatModel chatModel = ZhipuAiChatModel.builder()
                // 模型key
                .apiKey(CommonConstants.API_KEY)
                // 精确度
                .temperature(0.9)
                .model("GLM-4-Flash")
                .maxRetries(3)
                .callTimeout(Duration.ofSeconds(60))
                .connectTimeout(Duration.ofSeconds(60))
                .writeTimeout(Duration.ofSeconds(60))
                .readTimeout(Duration.ofSeconds(60))
                .build();

        // UserMessage userMessage = UserMessage.from("请随机生成2道java基础的面试题，要求返回面试题的题号、题目和答案");

        // 给出详细的prompt
        UserMessage userMessage = UserMessage.from("请随机生成2道java基础的面试题，要求返回JSON格式数据，包括面试题的题号id、题目title和答案answer,参考JSON格式如下：[{id:1, title:xxx, answer:xxx}]");
        // 聊天时的请求对象
        ChatRequest chatRequest = ChatRequest.builder()
                // 设置响应格式
                // .responseFormat(responseFormat)
                .messages(userMessage)
                .build();
        // 聊天的响应对象
        ChatResponse chatResponse = chatModel.chat(chatRequest);

        String output = chatResponse.aiMessage().text();
        System.out.println(output);
    }
}

输出内容如下：

使用这种方式，需要我们对返回的json数据进行额外处理，比如需要手动去除起始位置的'''json和结束位置的'''。

测试通过OpenAI调用DeepSeekAPI

package com.renr.langchain4jnew.app;

import com.renr.langchain4jnew.constant.CommonConstants;
import dev.langchain4j.data.message.UserMessage;
import dev.langchain4j.model.chat.ChatLanguageModel;
import dev.langchain4j.model.chat.request.ChatRequest;
import dev.langchain4j.model.chat.request.ResponseFormat;
import dev.langchain4j.model.chat.request.ResponseFormatType;
import dev.langchain4j.model.chat.request.json.*;
import dev.langchain4j.model.chat.response.ChatResponse;
import dev.langchain4j.model.openai.OpenAiChatModel;

/**
 * @Title: 返回格式化信息
 * @Author 老任与码
 * @Date 2025-04-09 11:05
 */
public class App11_2 {

    public static void main(String[] args) {
        // OpenAi 只支持JsonObjectSchema
        ChatLanguageModel chatModel = OpenAiChatModel.builder()
                // deepseek的api的访问路径
                .baseUrl("https://api.deepseek.com")
                .apiKey(CommonConstants.DP_API_KEY)
                // 模型名称
                .modelName("deepseek-chat")
                // .modelName("deepseek-reasoner")
                // 请求的日志
                .logRequests(true)
                // 响应数据的日志
                .logResponses(true)
                .build();

        JsonSchemaElement idSchema = JsonIntegerSchema.builder()
                .description("面试题的id")
                .build();
        JsonSchemaElement titleSchema = JsonStringSchema.builder()
                .description("面试题的标题")
                .build();
        JsonSchemaElement answerSchema = JsonStringSchema.builder()
                .description("面试题的答案")
                .build();

        JsonSchemaElement rootElement = JsonObjectSchema.builder()
                .addProperty("id", idSchema)
                .addProperty("title", titleSchema)
                .addProperty("answer", answerSchema)
                .required("id", "title", "answer")
                .build();

        JsonSchemaElement rootElement2 = JsonArraySchema.builder()
                .description("面试题信息")
                .items(rootElement)
                .build();

        JsonSchemaElement rootElement3 = JsonObjectSchema.builder()
                .description("面试题信息")
                .addProperty("info", rootElement2)
                .required("info")
                .build();


        ResponseFormat responseFormat = ResponseFormat.builder()
                .type(ResponseFormatType.JSON) // type can be either TEXT (default) or JSON
//                .jsonSchema(JsonSchema.builder()
//                        .name("Subject")
//                        .rootElement(rootElement3)
//                        .build())
                .build();



        UserMessage userMessage = UserMessage.from("请随机生成2道java基础的面试题，要求返回面试题的题号、题目和答案");
        ChatRequest chatRequest = ChatRequest.builder()
                .responseFormat(responseFormat)
                .messages(userMessage)
                .build();

        ChatResponse chatResponse = chatModel.chat(chatRequest);

        String output = chatResponse.aiMessage().text();
        System.out.println(output);
    }
}

OpenAI只支持JsonObjectSchema，所以我们额外增加了rootElement3对象，但是DeepSeek不支持jsonSchema的设置（执行会报错），于是我们注释掉如下代码：

执行上面代码后，依旧报错：

查看DeepSeek的帮助文档，其中提到：

 于是修改prompt如下：

UserMessage userMessage = UserMessage.from("请随机生成2道java基础的面试题，要求返回JSON格式数据，包括面试题的题号id、题目title和答案answer,参考JSON格式如下：[{id:1, title:xxx, answer:xxx}]");

输出如下：

 格式和我们要求的并不一样。

再次修改，将如下代码注释掉后进行测试：

输出结果如下：

对比看，不在请求中指定输出json格式后，返回的数据反而更好处理。

测试Ollama调用本地化部署的DeepSeek

关于DeepSeek的本地化部署，可以参考：DeepSeek本地化部署-优快云博客

package com.renr.langchain4jnew.app;

import dev.langchain4j.data.message.UserMessage;
import dev.langchain4j.model.chat.request.ChatRequest;
import dev.langchain4j.model.chat.request.ResponseFormat;
import dev.langchain4j.model.chat.request.ResponseFormatType;
import dev.langchain4j.model.chat.request.json.*;
import dev.langchain4j.model.chat.response.ChatResponse;
import dev.langchain4j.model.ollama.OllamaChatModel;

import java.time.Duration;

/**
 * @Title: 返回格式化信息
 * @Author 老任与码
 * @Date 2025-04-09 11:05
 */
public class App11_3 {

    public static void main(String[] args) {


        OllamaChatModel chatModel = OllamaChatModel.builder()
                .baseUrl("http://localhost:11434")
                .modelName("deepseek-r1:1.5b")
                .timeout(Duration.ofSeconds(100))
                .temperature(1.3)
                .logRequests(true)
                .logResponses(true)
                .build();


        JsonSchemaElement idSchema = JsonIntegerSchema.builder()
                .description("面试题的id")
                .build();
        JsonSchemaElement titleSchema = JsonStringSchema.builder()
                .description("面试题的标题")
                .build();
        JsonSchemaElement answerSchema = JsonStringSchema.builder()
                .description("面试题的答案")
                .build();

        JsonSchemaElement rootElement = JsonObjectSchema.builder()
                .addProperty("id", idSchema)
                .addProperty("title", titleSchema)
                .addProperty("answer", answerSchema)
                .required("id", "title", "answer")
                .build();

        JsonSchemaElement rootElement2 = JsonArraySchema.builder()
                .description("面试题信息")
                .items(rootElement)
                .build();

        JsonSchemaElement rootElement3 = JsonObjectSchema.builder()
                .description("面试题信息")
                .addProperty("info", rootElement2)
                .required("info")
                .build();


        ResponseFormat responseFormat = ResponseFormat.builder()
                .type(ResponseFormatType.JSON)
                .jsonSchema(JsonSchema.builder()
                        .name("Subject")
                        .rootElement(rootElement3)
                        .build())
                .build();


        UserMessage userMessage = UserMessage.from("请随机生成2道java基础的面试题，要求返回面试题的题号、题目和答案");
        ChatRequest chatRequest = ChatRequest.builder()
                .responseFormat(responseFormat)
                .messages(userMessage)
                .build();

        ChatResponse chatResponse = chatModel.chat(chatRequest);

        String output = chatResponse.aiMessage().text();
        System.out.println(output);
    }
}

输出结果：

{
	"info": [{
		"id": 50,
		"title": "What is Java? Please write a short answer.",
		"answer": "Java is an object-oriented programming language that allows objects to be used in place of data types like String and int. It's known for its support of generics and extensibility."
	}, {
		"id": 48,
		"title": "Implementing a Linked List in Java...",
		"answer": "To implement a linked list in Java, we can create a class with nodes that hold integer data values. Each node will have pointers to the previous and next nodes."
	}]
}

通过输出可以看到，返回的数据可以直接用于转换Java对象，不需要再进行额外处理。

结论

由于LangChain4j在格式化输出上，支持的大模型有限。笔者建议，如果需要返回json格式的数据，在prompt中直接指定格式更直接、更好处理。

(01)使用LangChain4j prompt和javaPojo进行格式化输出，Aiservice的使用
weixin_39915604的博客
06-20 473
这里的interface AddressOutput其实是个Aiservice的实现接口，用它去调用模型，这里langchain使用了反射技术,构造了Address对象。代码中使用prompt结构体向llm进行了提问，返回的结果虽然是按照格式化输出了，但每次都这样岂不是很麻烦，而且结构体替换也相对麻烦。* 它可以像其他服务一样集成到你的代码中，充当一个 Bean，并可以为测试进行模拟。本质上aiservice用于构建客制化服务的类，使用它，可以灵活的构建应用。* 这种方法抽象了所有的复杂性和样板代码。
LangChain进行格式化输出
测试游记
04-22 462
利用LangChain中的Prompt设计与Output Parser机制，可以方便地让大模型按照指定的数据结构（如JSON）返回结果，大大提升了工程效率和可维护性。LangChain是一个强大的框架，可以帮助开发者更高效地构建基于大型语言模型（LLM）的应用。在实际开发中，我们常常希望模型的输出不是一段纯文本，而是结构化、格式化的数据（如JSON、表格等），以便下游进一步处理。LangChain 之所以能够按照指定格式输出，核心原因就在于它对 提示词（Prompt）进行了优化和封装。
LangChain4j项目集成Google AI Gemini嵌入模型的技术解析
最新发布
gitblog_00618的博客
09-11 389
在自然语言处理领域，嵌入模型（Embedding Model）是将文本转换为向量表示的核心技术。近期，LangChain4j项目在其Google AI模块中新增了对Gemini嵌入模型的支持，这为Java开发者提供了更强大的文本向量化能力。 ## 技术背景 嵌入模型是NLP流水线中的基础组件，它将离散的文本转换为连续的向量空间表示。这种转换使得语义相似的文本在向量空间中距离相近，为后续的语义搜...
LangChain 入门7 格式化输出
weixin_41870426的博客
05-02 2804
"""从字符串中提取JSON内容，JSON嵌入在```JSON和```标记之间。参数：text（str）：包含JSON内容的文本。退货：list：提取的JSON字符串的列表。"""# 定义正则表达式模式以匹配JSON块s)```"# 在字符串中查找模式的所有非重叠匹配# 返回匹配的JSON字符串列表，去掉任何开头或结尾的空格try:从字符串中提取JSON内容，JSON嵌入在```JSON和```标记之间。参数：text（str）：包含JSON内容的文本。
一文读懂如何使用LangChain进行Json格式化输出
my_name_is_learn的博客
05-28 448
本文系统地讲述了如何使用langchain进行Json格式化输出
如何在langchain中对大模型的输出进行格式化
程序那些事
11-27 796
虽然langchain中的有些parser我们可以自行借助python语言的各种工具来实现。但是有一些parser实际上是要结合LLM一起来使用的，比如OutputFixingParser和RetryOutputParser。所以大家还是尽可能的使用langchain提供的parser为好。毕竟轮子都给你造好了，还要啥自行车。
大模型入门实战：通过 HuggingFace 调用 Llama3
python12345_的博客
01-10 2072
至此，我们成功演示了如何通过 Hugging Face 的 Transformers 调用 Llama 模型，并获取了模型的回答。但是如果你的需求只是简单地调用模型，而无需进行微调或复杂的部署，可以尝试使用 Ollama。它不仅操作更加便捷，还提供了开箱即用的 RESTful 接口，适合快速集成到生产环境中。下一篇，我将会讲解如何通过 Ollama 下载部署 Llama 模型并调用。
LangChain4j +DeepSeek大模型应用开发——3 人工智能服务 AIService
欢迎来到空说的博客
04-28 645
AIService使用面向接口和动态代理的方式完成程序的编写，更灵活的实现高级功能。在LangChain4j中我们使用AIService完成复杂操作。底层组件将由AIService进行组装。为大语言模型格式化输入内容解析大语言模型的输出结果聊天记忆 Chat memory工具 Tools检索增强生成 RAG。
LangChain —— Prompt Templates —— How to use few shot examples in chat models
cheese_burger_的博客
07-13 973
本指南介绍了如何使用示例输入和输出提示 char model。为模型提供几个这样的例子被称为 few-shotting，这是一种简单而强大的方法来指导生成，在某些情况下可以大大提高模型性能。对于如何最好地进行 few-shot 提示，似乎没有达成一致意见，最佳提示编译可能会因模型而异。因此，langchain 提供 few-shot 提示模板，如 FewShotChatMessagePromptTemplate，作为一个灵活的起点，我们可以根据需要修改或替换它们。
“返回个啥玩意儿？”用LangChain4j优雅格式化LLM结果！
孤芳不自赏
05-06 731
终于来到最强的部分！你可以让 LangChain4j 把模型返回的结构化数据，自动映射到你定义的 Java 类上。比如我们定义一个 POJO：然后定义服务接口：LangChain4j 会使用 Jackson 或者 Gson（具体视你依赖而定）来解析 JSON，并自动转为 Java 对象！只要模型能返回类似这样的结构化数据：你就能直接拿到一个 Java 对象，无需手动解析。是不是香爆了？万一 LLM 返回的格式不是 JSON，而是：那该怎么办？
LangChain学习笔记04——example selectors&LangServe基本使用
qq_63926557的博客
07-31 1187
本文介绍了LangChain中的Few-shot提示和示例选择器技术，以及LangServe库的应用。主要内容包括：1. Few-shot技术通过提供少量示例帮助大模型理解任务，显著提升翻译等任务的表现；2. LangChain提供的多种示例选择器（如语义相似度选择器）能动态选取最相关示例；3. 代码演示了静态示例和动态选择器的使用方法；4. 应用场景包括智能客服、知识库问答、信息抽取等；5. LangServe库能快速将LangChain应用部署为RESTful API，支持自动文档生成和异步响应。这两项
LangChain系列使用指南：组件介绍_模型输入输出_输出格式化
数智笔记
03-19 2497
在某些情况下，您可能希望实现一个自定义解析器，将模型输出结构化为自定义格式。使用 LCEL 中的或– 我们强烈推荐这种方式用于大多数情况通过继承输出解析的基类之一来实现 – 这是一种较为复杂的方式这两种方法之间的区别主要是表面的，主要体现在触发哪些回调（例如vs.），以及可追踪平台（如 LangSmith）中可视化可运行 lambda 和解析器的方式。
langchain4j的AIService
RainBot的博客
08-20 676
AiService // 类似Spring Boot @Service，但有AI功能@SystemMessage("You are a polite assistant") // 作为 SystemMessage 传入文本内容当应用程序启动时，LangChain4j 启动器将扫描类路径 并找到所有带有 @AiService 注解的接口。对于找到的每个 AI 服务，它将使用应用程序上下文中可用的所有 LangChain4j 组件创建此接口的实现，并将其注册为 bean。@Autowired。
LangChain开发（七）自定义输出格式（JSON/XML/YAML）
Java全栈开发者
03-26 1526
虽然一些模型提供商支持内置的方法返回结构化输出，但并非所有都支持。我们可以使用输出解析器来帮助用户通过指示指定任意的JSON模型，查询符合该模式的模型输出，最后将该模式解析为JSON。JsonOutputParser是一个内置选项，用于提示并解析JSON输出。我们还可以添加一些标签以根据我们的需求定制输出。下面使用XMLOutParser来提示模型生成XML输出，然后将该输出解析为可用的格式。以上就是让大模型输出指定格式输出示例。让大模型生成指定结构的数据，结构为。请注意，我们将解析器中的。
第9章:LangChain结构化输出-示例2(数字提取服务)
Hank的专栏
02-23 1036
LangChain结构化输出，关键内容提取；数字提取服务通过定义一个接口NumberExtractor来封装数字提取功能。extractInt(String text)：从文本中提取整数（int）。extractLong(String text)：从文本中提取长整数（long）。extractBigInteger(String text)：从文本中提取大整数（BigInteger）。extractFloat(String text)：从文本中提取浮点数（float）。
langchain4j-12 (Structured Outputs 结构化输出)
qq_52155674的博客
04-23 281
使用提示时（这是默认选择，除非启用对 JSON 模式的支持），AI 服务将自动生成格式说明并将其附加到 UserMessage 的末尾 指示响应的格式。请注意，如果 LLM 没有为原始类型（例如 int 、 boolean 等）的可选字段提供值，则将使用默认值进行初始化（例如， int 为 0 ， boolean 为 false 等）。请注意，JSON 架构是在对提供商 API 的请求中的专用属性中指定的，并且不需要在提示中包含任何自由格式的指令（例如，在系统或用户消息中）。
LangChain4j中Qwen2.5模型工具调用JSON参数格式异常问题解析
gitblog_00989的博客
09-11 314
在LangChain4j框架与通义千问大模型(Qwen)的集成实践中，开发者发现不同版本的Qwen模型对工具调用时的JSON参数处理存在显著差异。具体表现为：Qwen2.5-72B模型生成的JSON参数会被额外包裹一层双引号，导致后续JSON解析失败；而qwen-max模型则能生成符合预期的标准JSON格式。 ## 技术现象分析 当开发者使用`@Tool`注解定义工具方法时（如获取产品价格的`g...
langchain4j结构化输出
04-10
### LangChain4J 的结构化输出功能 LangChain4J 是 Java 版本的 LangChain 库，旨在通过链式调用的方式简化自然语言处理任务中的复杂流程。其核心目标之一是提供灵活的数据转换能力，尤其是在涉及大模型生成的内容时，能够将其解析为更易于程序操作的形式。 #### 结构化输出的核心概念 在 LangChain 中，`BaseLLMOutputParser` 被定义为一种基础类，用于解析来自大型语言模型 (LLM) 的原始字符串输出并将其转化为更有意义的对象形式[^1]。这种转化过程通常依赖于特定的解析器实现，比如 `ListOutputParser` 或者 `PydanticOutputParser`。这些工具允许开发者指定期望的结果数据类型，并自动完成相应的映射工作。 对于 **Java 实现**而言，虽然具体命名可能有所调整以适应 JVM 生态环境，但基本原理保持一致： 1. **输入模板设计**: 使用提示工程技巧构建清晰易懂的问题描述，引导 LLM 返回符合预期格式的回答。 2. **自定义解析逻辑**: 开发人员可以编写专门针对业务需求的解析函数来提取所需字段。 3. **集成到流水线中**: 将上述组件嵌入更大的应用框架里执行端到端的任务自动化。 以下是基于假设场景的一个简单例子展示如何利用此类特性: ```java // 假设我们有一个名为 ChainBuilder 工具帮助创建链条 Chain chain = new ChainBuilder() .withPrompt("请按照 JSON Schema 提供以下信息...") .addStep(new GenerateTextFromModel()) .thenParseUsing(new JsonSchemaBasedParser()) // 自动依据预定义模式验证/修正结果 .build(); Map<String, Object> parsedResult = chain.apply(inputData); System.out.println(parsedResult); // 输出经过整理后的键值对集合 ``` 此片段展示了从提问到最后获取标准化答案的整体思路——即先由 AI 模型生成自由文本再经后续阶段进一步加工成应用程序可以直接消费的形式。 #### 注意事项 尽管这种方法非常强大，但在实际部署过程中仍需注意几个方面： - 确保初始请求足够精确以便获得恰当响应； - 对潜在错误情况做好充分预案以免影响用户体验； - 定期更新所使用的正则表达式或其他匹配机制跟随最新变化趋势同步改进。 相关问题
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值