别再让 AI 自由发挥了！用 LangChain + Zod 强制它输出合法 JSON

用 LangChain + Zod 构建类型安全的 AI 结构化输出 —— 从“一句话解释 Promise”开始

大模型很聪明，但也很“自由”。
你让它解释Promise，它可能回你一段优美的散文；
你想要一个干净的 JSON，它却在前后加上“好的！”“希望这对你有帮助！”。

这种“自由发挥”在聊天场景很友好，但在工程实践中却是灾难——我们无法把一段不确定的文本，直接当作结构化数据使用。

你有没有想过，如何让大模型（LLM）不只是“聊天”，而是成为一个可靠的数据生成器？

比如：输入"Promise"，让它返回一个严格符合以下格式的 JSON：

{ "name": "Promise", "core": "用于处理异步操作的对象", "useCase": ["AJAX 请求", "定时器封装"], "difficulty": "中等" }

这听起来简单，但实际开发中会遇到三大难题：

1. 模型总爱加解释文字，导致无法直接JSON.parse
2. 字段名或类型可能出错（比如把useCase写成usecase）
3. TypeScript 拿不到精确类型，只能用any

而解决这些问题的答案，就藏在三行代码里：

const schema = z.object({ ... }); const parser = new JsonOutputParser(schema); const instructions = parser.getFormatInstructions();

本文将带你一步步拆解这段代码背后的原理，理解LangChain + Zod 如何协同工作，实现端到端的类型安全、结构化 AI 输出。

🧩 一、Zod：不只是校验，更是“数据契约”

❓ 什么是 Zod？

Zod 是一个TypeScript 优先的运行时校验库。它允许你用代码定义“合法数据长什么样”。

比如：

const FrontendConceptSchema = z.object({ name: z.string().describe('概念名称'), core: z.string().describe('核心要点'), useCase: z.array(z.string()).describe('常见使用场景'), difficulty: z.enum(['简单', '中等', '复杂']).describe('学习难度') });

✅z.object()到底创建了什么？

它不是创建一个普通对象，而是创建了一个Zod Schema（校验规则），这个 schema 具备三重能力：

💡 所以，FrontendConceptSchema本质上是一个“数据契约”—— 它告诉全世界：“只有符合这个结构的数据，才是合法的。”

🔍 二、JsonOutputParser：翻译官 + 质检员

现在问题来了：如何让 LLM 理解这个“契约”？

答案是：JsonOutputParser。

const jsonParser = new JsonOutputParser(FrontendConceptSchema);

很多人以为它只是一个“JSON 解析器”，其实它的角色更丰富：

👨‍🏫 角色一：翻译官（指导模型怎么写）

它调用.getFormatInstructions()，把 Zod Schema自动翻译成一段自然语言指令：

{ "name": string // 概念名称 "core": string // 核心要点 "useCase": string[] // 常见使用场景 "difficulty": "简单" | "中等" | "复杂" // 学习难度 } */

这段文本会被插入到提示词中，明确告诉模型：“你必须按这个格式输出，不能多、不能少、不能错。”

🌟 这就是为什么你需要显式传入format_instructions: jsonParser.getFormatInstructions()——
LangChain 不会自动填充它，这是你主动连接“schema”和“提示词”的桥梁。

👮 角色二：质检员（检查模型有没有写对）

当模型返回文本后，JsonOutputParser会：

1. 尝试提取 JSON（如匹配json{...}）
2. 用FrontendConceptSchema.parse(...)进行 Zod 校验
3. 如果字段缺失、类型错误、枚举值非法 → 抛出ZodError
4. 只有完全合规的数据才会返回

✅ 这相当于双重保险：

• 前验：用提示词引导模型输出合规格式
• 后验：用 Zod 校验兜底，防止“幻觉”污染业务逻辑

⚙️ 三、完整流程：从提示词到类型安全对象

让我们把所有零件组装起来：

// 1. 初始化模型 const model = new ChatDeepSeek({ model: 'deepseek-reasoner', temperature: 0, }); // 2. 构建强约束提示词 const prompt = PromptTemplate.fromTemplate(` 你是一个只会输出 JSON 的 API，不允许输出任何解释性文字。 ⚠️ 你必须【只返回】符合以下 Schema 的 JSON： {format_instructions} 前端概念：{topic} `); // 3. 创建解析链 const chain = prompt.pipe(model).pipe(jsonParser); // 4. 调用 const response = await chain.invoke({ topic: 'Promise', format_instructions: jsonParser.getFormatInstructions(), }); console.log(response); // { // name: 'Promise', // core: '...', // useCase: [...], // difficulty: '中等' // }

此时，response的类型已被 TypeScript 精确推导为：

{ name: string; core: string; useCase: string[]; difficulty: "简单" | "中等" | "复杂"; }

无需手写 interface，类型与校验逻辑完全同步！

🧱 四、这一切，都建立在 JavaScript 模块化之上

你可能没注意到，但这段代码本身就是现代 JS 模块化思想的典范：

import { ChatDeepSeek } from '@langchain/deepseek'; // 模型模块 import { PromptTemplate } from '@langchain/core/prompts'; // 提示词模块 import { JsonOutputParser } from '@langchain/core/output_parsers'; // 解析模块 import { z } from 'zod'; // 校验模块 import 'dotenv/config'; // 配置模块

每个import都代表一个独立、可复用、职责单一的功能单元。这种设计使得：

• 依赖清晰，无全局污染
• 功能解耦，易于测试和替换（比如换ChatOpenAI只需改一行）
• 支持 tree-shaking，打包体积更小

💡没有 ES Modules，就没有现代 AI 应用的工程化。

✅ 五、为什么这套方案值得在生产环境使用？

🚀 结语：让 AI 成为可靠的“数据工人”

过去，我们把 LLM 当作“聪明的聊天机器人”；
现在，借助 LangChain + Zod，我们可以把它变成遵守契约的数据生成器。

而这背后的核心思想是：

用代码定义结构（Zod），用提示词引导行为（LangChain），用校验确保结果（JsonOutputParser）。

这不仅是技术组合，更是一种AI 工程化思维——
不信任黑盒输出，用契约和验证构建可靠系统。

下次当你需要从 AI 中提取结构化数据时，不妨试试这套模式。你会发现，AI 不仅能“说人话”，还能“写对数据”。

学习资源推荐

如果你想更深入地学习大模型，以下是一些非常有价值的学习资源，这些资源将帮助你从不同角度学习大模型，提升你的实践能力。

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！​

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示

​因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取

四、AI大模型商业化落地方案

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。