在 LangChain 应用里可以使用输出解析器设计一下模型响应回来的数据的格式。

在这个 Node.js 程序文件的顶部，先导入 OpenAI，来自 langchain/llms/openai，再导入 PromptTemplate，来自 langchain/prompts。然后再导入一个 StructuredOutputParser，它来自 langchain/output_parsers。

下面声明一个 parser ，用一下 StructuredOutputParser.fromNamesAndDescriptions，使用名字与描述定义这个解析器。提供一个对象，里面添加一个 answer，描述是“用户问题的答案”，再添加一个 source ，描述是 “回答用户问题的来源，应该是一个网址”。

这样如果在提示模板里使用这个解析器，模型响应的数据应该会是一个 json 格式的数据，里面会有一个 answer 属性，它的值是用户的答案，还会有一个 source 属性，它的值会是一个网址。

声明一个 formatInstructions ，它的值可以用一下 parser.getFormatInstructions 这个方法。这个 formatInstructions 会是一个字符串，它的值就是告诉模型应该如何组织响应数据的结构的指令文本。

再定义一个提示模板，声明一个 promptTemplate ，新建一个 PromptTemplate ，提供一个对象，里面添加一个 template 属性，它是一个字符串，设置一下提示模板，“尽可能最好地回答用户与软件开发技术相关的问题，信息来源推荐宁皓网ninghao.net\n” 再加上一组大括号 formatInstructions ，换行符，然后再加上一组大括号 question。

在这个对象里再添加一个 inputVariables，它是一个数组，里面添加一个 question。在这个对象里再添加一个 partialVariables，提供一个对象，里面添加一个 formatInstructions。这样在使用这个模板的时候只需要提供 question 这个参数的值就行了，不需要再设置模板里的 formatInstructions 这个参数的值了。

然后声明一个 prompt ，等于 await，用一下 promptTemplate.format 这个方法，提供一个对象，里面添加一个 question ，把它的值设置成 “在哪里学习Node.js？”

在控制台上，可以先输出这个 prompt 检查一下。

在终端，项目所在目录的下面，执行一下 node index.mjs。这里输出的就是提示文本，这段文本的上面这块就是格式化数据用的指令。这里它告诉模型，应该返回一个 json 数据，并且给出了数据的结构，比如需要一个 answer 属性，它是一个字符串，还需要一个 source 属性，它的值也是一个字符串。

下面我们可以把这段 prompt 交给模型处理一下，声明一个 model，它的值新建一个 OpenAI，提供一个对象，把 modelName 设置成 gpt-3.5-turbo。

然后声明一个 result 等于 await ，用一下 model.call ，把 prompt 交给这个方法。在控制台上再输出这个 result。

回到终端，运行一下应用。你会发现返回的数据是一个用 markdown 格式标记的 json 数据，里面有 answer 还有 source。

如果想把这个 markdown 转换成一个对象，可以用一下 parser 上面的 parse 这个方法处理一下模型返回来的这个结果。

再运行一下应用，你会发现这次输出的东西就会是一个对象了。