基本信息

来源摘要/节选

公开展示已截断至最多 800 个字符；请访问原始来源查看完整上下文。

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。…

来源说明

当前只保存了公开页面节选，不代表原文全文。请以原始来源为准。

本页只呈现已做哈希绑定的来源证据，不包含基于旧正文或缺失原文的扩展推断。