企业官网建设流程全解析

LangChain.js 如何用 bindTools 与 JsonOutputToolsParser 从文本中抽取结构化实体

【免费下载链接】langchainjsThe agent engineering platform项目地址: https://gitcode.com/GitHub_Trending/la/langchainjs

假设你有一段自由文本，需要把其中的实体（人名、年龄、身高、发色等）抽成结构化的 JSON 对象。LangChain.js 仓库中给出了可直接运行的做法：用ChatOpenAI（或ChatAnthropic）的bindTools把 Zod schema 绑定为"函数"，让模型按 schema 返回工具调用，再用JsonOutputToolsParser把这些工具调用解析成普通 JSON 数组。整条链路不需要执行任何工具，工具调用在这里纯粹充当结构化输出的载体。

主要示例代码在 examples/src/extraction/openai_tool_calling_extraction.ts，解析器实现在 json_output_tools_parsers.ts。

准备条件

1. 一个 Node.js 项目，安装核心包与 OpenAI 集成包（安装方式来自 langchain-openai 包 README）：

npm install @langchain/openai @langchain/core

2. 设置 OpenAI API Key 环境变量：

export OPENAI_API_KEY=your-api-key

3. 示例代码使用 Zod 3 的子路径导入zod/v3，而 examples 包 的devDependencies中是"zod": "^4.3.6"（peerDependencies 允许^3.25.76 || ^4），所以还需要安装：

npm install zod

另外，仓库约定所有 LangChain 包依赖同一个@langchain/core实例，README 建议在package.json中为pnpm/npm/yarn添加对应的 overrides 字段固定版本。

主路径：用 OpenAI 模型抽取实体

下面是仓库示例文件的完整代码，可直接保存为.ts文件后用tsx或ts-node运行：

import { z } from "zod/v3"; import { ChatOpenAI } from "@langchain/openai"; import { ChatPromptTemplate } from "@langchain/core/prompts"; import { JsonOutputToolsParser } from "@langchain/core/output_parsers/openai_tools"; const EXTRACTION_TEMPLATE = `Extract and save the relevant entities mentioned \ in the following passage together with their properties. If a property is not present and is not required in the function parameters, do not include it in the output.`; const prompt = ChatPromptTemplate.fromMessages([ ["system", EXTRACTION_TEMPLATE], ["human", "{input}"], ]); const person = z.object({ name: z.string().describe("The person's name"), age: z.string().describe("The person's age"), }); const model = new ChatOpenAI({ model: "gpt-3.5-turbo-1106", temperature: 0, }).bindTools([ { name: "person", description: "A person", schema: person, }, ]); const parser = new JsonOutputToolsParser(); const chain = prompt.pipe(model).pipe(parser); const res = await chain.invoke({ input: "jane is 2 and bob is 3", }); console.log(res);

各环节的作用：

• Zod schema（person）：定义要抽取的实体结构和字段说明。bindTools接收{ name, description, schema }形式的工具定义，name会成为解析结果中的实体类型标识。
• ChatPromptTemplate：系统消息固定抽取规则（缺失且非必填的属性不要输出），人类消息用{input}占位，运行时传入待抽取的文本。
• prompt.pipe(model).pipe(parser)：标准的 Runnable 管道——提示词渲染后发给绑定工具的模型，模型输出交给解析器。
• new ChatOpenAI({ model: "gpt-3.5-turbo-1106", temperature: 0 })：示例用低温度保证抽取稳定。模型名可按你的账户可用模型替换。

结果验证

示例文件注释中给出的运行输出（文档示例，实际内容会随模型输出略有差异）：

[ { name: 'person', arguments: { name: 'jane', age: '2' } }, { name: 'person', arguments: { name: 'bob', age: '3' } } ]

判断抽取是否完成的依据有两条，都来自仓库文档：

1. 结果数量：openai_tools.int.test.ts 中有一个 "Extraction" 集成测试，用同样的bindTools+JsonOutputToolsParser链路让模型输出两个笑话，断言expect(res.length).toBe(2)。也就是说，解析结果是数组，其长度对应模型返回的工具调用条数——你可以按待抽取实体的预期数量断言。
2. 字段结构：按 解析器源码，每个解析结果的字段为{ type, args, id? }，其中type是工具名（示例中为"person"），args是按 schema 解析出的对象；仅当构造解析器时传returnId: true时才带上id。Anthropic 变体示例注释中的输出正是这种结构：

[ { "type": "person", "args": { "name": "Alex", "height": 5, "hairColor": "blonde" } }, { "type": "person", "args": { "name": "Claudia", "height": 6, "hairColor": "brunette" } } ]

如果消息里没有tool_calls，parsePartialResult返回空数组[]；工具参数不是合法 JSON 时，parseToolCall会抛出OutputParserException。

可选分支一：用 Anthropic 模型并强制选择工具

同样的模式适用于ChatAnthropic，仓库示例见 anthropic_tools/extraction.ts，需要额外安装@langchain/anthropic。与 OpenAI 主路径相比有两个差异：

import { z } from "zod/v3"; import { ChatAnthropic } from "@langchain/anthropic"; import { PromptTemplate } from "@langchain/core/prompts"; import { JsonOutputToolsParser } from "@langchain/core/output_parsers/openai_tools"; const prompt = PromptTemplate.fromTemplate(EXTRACTION_TEMPLATE); const schema = z.object({ name: z.string().describe("The name of a person"), height: z.number().describe("The person's height"), hairColor: z.optional(z.string()).describe("The person's hair color"), }); const model = new ChatAnthropic({ temperature: 0.1, model: "claude-3-sonnet-20240229", }) .bindTools([ { name: "person", description: "Extracts the relevant people from the passage.", schema, }, ]) .withConfig({ // Can also set to "auto" to let the model choose a tool tool_choice: { type: "tool", name: "person", }, }); const chain = await prompt.pipe(model).pipe(new JsonOutputToolsParser()); const response = await chain.invoke({ input: "Alex is 5 feet tall. Claudia is 1 foot taller than Alex and jumps higher than him. Claudia is a brunette and Alex is blonde.", });

• 用z.optional(...)声明可缺失字段，主路径示例里则靠提示词约束"缺失属性不输出"。
• 通过.withConfig({ tool_choice: { type: "tool", name: "person" } })强制模型调用指定工具；示例注释说明也可以设为"auto"让模型自行选择。chain是await出来的，因为withConfig返回 Promise。

可选分支二：只关心单一工具时用 JsonOutputKeyToolsParser

如果你的场景只绑定了一个抽取工具，解析器源码中还有JsonOutputKeyToolsParser：构造参数为{ keyName, returnSingle?, zodSchema?, serializableSchema?, returnId? }。它会过滤出type === keyName的调用，默认只返回args；returnSingle: true时返回第一个结果而不是数组；提供zodSchema或serializableSchema时会对结果做 schema 校验，校验失败同样抛出OutputParserException。

限制

• 该链路依赖模型返回工具调用消息：模型没有产生tool_calls时解析结果为空数组，需要按你自己的任务逻辑判断是"文本中确实没有实体"还是"模型未按约定输出"。
• JsonOutputToolsParser不校验字段内容（如args是否符合 schema），要做 schema 校验应使用带zodSchema的JsonOutputKeyToolsParser，或在拿到args后自行用 Zod 解析。
• 示例中的模型名（gpt-3.5-turbo-1106、claude-3-sonnet-20240229）来自仓库示例文件，实际运行时替换为你账户可访问的模型。

【免费下载链接】langchainjsThe agent engineering platform项目地址: https://gitcode.com/GitHub_Trending/la/langchainjs