> ## Documentation Index
> Fetch the complete documentation index at: https://javaai.pig4cloud.com/llms.txt
> Use this file to discover all available pages before exploring further.
# JSON 结构化输出
在与大语言模型(LLM)交互时,我们常常需要将其输出转换为结构化的数据格式,以便进一步处理和使用。LangChain4j框架为我们提供了一种优雅的方式来实现这一目标。本文将深入探讨LangChain4j如何将LLM的返回结果格式化为各种数据类型,包括基本类型、集合、自定义POJO等。
## LangChain4j支持的返回类型
| 序号 | 类型分类 | 支持的类型 |
| -- | ------------ | -------------------------------------------------------------- |
| 1 | 字符串 (String) | String |
| 2 | 基本类型 | boolean, byte, short, int, long, float, double |
| 3 | 包装类型 | Boolean, Byte, Short, Integer, Long, Float, Double, BigDecimal |
| 4 | 时间类型 | Date, LocalDate, LocalTime, LocalDateTime |
| 5 | 集合类型 | List, Set |
| 6 | 枚举类型 | Enum |
| 7 | 自定义POJO | 自定义的Java类 |
| 8 | 自定义Result | 自定义的Result类型 |
| 9 | AI消息类型 | AiMessage |
## 结构化输出示例
让我们通过一些具体的例子来看看如何使用LangChain4j处理不同类型的输出。
### 布尔值与枚举
```java theme={"system"}
package com.pig4cloud.ai.sentiment;
import dev.langchain4j.service.UserMessage;
import dev.langchain4j.service.spring.AiService;
public interface SentimentAnalyzer {
// text=假期结束开始上班
@UserMessage("{{it}} 是否具有正面情感？")
boolean isPositive(String text);
// text=假期结束开始上班
@UserMessage("分析 {{it}} 的情感")
Sentiment analyzeSentimentOf(String text);
enum Sentiment {
POSITIVE, // 正面情感
NEGATIVE, // 负面情感
NEUTRAL // 中立情感
}
}
```
在这个例子中,我们定义了一个`SentimentAnalyzer`接口,它使用LangChain4j的`@AiService`和`@UserMessage`注解来处理情感分析任务。该接口包含两个方法:
* `isPositive`: 返回布尔值,表示文本是否具有积极情感。
* `analyzeSentimentOf`: 返回枚举值,表示文本的情感倾向(积极、消极或中性)。
### 数字类型
对于数字类型的处理,LangChain4j同样提供了强大的支持:
```java theme={"system"}
public interface NumberExtractor {
// text=我赚了100块
@UserMessage("Extract a number from {{it}}")
int extractInt(String text);
// text=我赚了100块
@UserMessage("Extract a long number from {{it}}")
long extractLong(String text);
// text=我赚了100块
@UserMessage("Extract a big integer from {{it}}")
BigInteger extractBigInteger(String text);
// text=我赚了100块
@UserMessage("Extract a float number from {{it}}")
float extractFloat(String text);
// text=我赚了100块
@UserMessage("Extract a double number from {{it}}")
double extractDouble(String text);
// text=我赚了100块
@UserMessage("Extract a big decimal from {{it}}")
BigDecimal extractBigDecimal(String text);
}
```
这个`NumberExtractor`接口展示了如何从文本中提取各种数值类型,包括整数、长整数、大整数、浮点数、双精度浮点数和大小数。
### 自定义POJO
LangChain4j还支持将LLM输出解析为自定义的POJO对象:
```java theme={"system"}
@AiService
public interface PersonExtractor {
@UserMessage("Extract information about a person from {{it}}")
Person extractPerson(String text);
@Data
class Person {
@Description("name of a person") // 增加字段描述，让大模型更理解字段含义
private String name;
private LocalDate birthDate;
}
}
```
在这个例子中,我们定义了一个`Person`类作为自定义POJO,包含name 和birthDate字段。`extractPerson`方法将从给定文本中提取人物信息并返回一个`Person`对象。
通过掌握这些核心组件,我们就能更好地利用LangChain4j来处理大语言模型的结构化输出,为我们的AI应用开发带来更多可能性。
**为Java开发者提供全栈式AI工程化解决方案**，强类型/高可维护性架构，内置30+主流大模型支持。
* **🔍 知识引擎体系**：RAG 知识引擎全自动化多模态解决方案
* **📝 AI-OCR 中枢**：复杂非标场景高精度识别
* **⚙️ 业务智能融合**：函数编排 + Chat2SQL，无缝对接现有业务系统
* **🛡️ N维风控体系**：敏感词/IP/Token/User 规则控制引擎
发现文档问题？点击此处直接在 GitHub 上编辑并提交 PR，帮助我们改进文档！
发现文档问题？点击此处直接在 GitHub 上编辑并提交 PR，帮助我们改进文档！