LangChain 출력 파서

1. 출력 파서(Output Parser)란?

LLM의 출력은 사람이 읽기에는 편하지만, 프로그램이 처리하기에는 불안정한 경우가 많습니다.
예를 들어 다음과 같은 문제가 생길 수 있습니다.

• 응답이 문장 형태로 들쭉날쭉함
• JSON 형식이 깨져서 파싱 오류 발생
• 숫자, 리스트 등의 구조적 데이터가 섞임

➡️ OutputParser는 LLM 응답을 일정한 형식으로 가공해주는 도구입니다.

---

2. 기본 사용법 — StrOutputParser

from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-5-nano")
prompt = ChatPromptTemplate.from_template("{topic}에 대해 한 줄로 설명해 주세요.")
parser = StrOutputParser()

chain = prompt | llm | parser

print(chain.invoke({"topic": "LangChain"}))

결과:

LangChain은 자연어 처리(NLP) 모델을 효과적으로 구축하고 배포할 수 있도록 지원하는 프레임워크입니다.

StrOutputParser는 가장 기본적인 파서로, LLM의 응답을 단순 문자열로 반환합니다.

---

3. JSON 형식 강제 — JsonOutputParser

LLM이 JSON 형식으로 데이터를 주도록 강제하고 싶다면 JsonOutputParser를 사용합니다.

from langchain_core.output_parsers import JsonOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-4o-mini")
parser = JsonOutputParser()

prompt = ChatPromptTemplate.from_template(
    "서울의 대표 명소 3곳을 JSON 배열로 반환하세요."
)

chain = prompt | llm | parser

result = chain.invoke({})
print(result)

예시 출력:

[
  {"name": "경복궁", "location": "서울 종로구"},
  {"name": "남산타워", "location": "용산구"},
  {"name": "광화문", "location": "종로구"}
]

💡 이렇게 하면 Python 코드에서 dict나 list 형태로 바로 사용할 수 있습니다.

---

4. 정적 타입 검증 — with_structured_output()

Python의 데이터 모델링 도구인 pydantic을 이용하여 LLM 출력의 형식을 엄격하게 보장합니다.

from pydantic import BaseModel, Field
from langchain_openai import ChatOpenAI

# ✅ 1️⃣ Pydantic 모델 정의
class Landmark(BaseModel):
    name: str = Field(description="명소 이름")
    location: str = Field(description="명소가 위치한 도시")
    description: str = Field(description="짧은 설명")

# ✅ 2️⃣ LLM 정의
llm = ChatOpenAI(model="gpt-5-nano", temperature=0)

# ✅ 3️⃣ with_structured_output() 사용
structured_llm = llm.with_structured_output(Landmark)

# ✅ 4️⃣ 실행
result = structured_llm.invoke("서울의 유명한 명소 한 곳을 소개해 주세요.")
print("🏯 결과:")
print(result)

항목	설명
정적 타입 보장	IDE 자동완성 및 타입 힌트 지원
형식 오류 방지	모델 출력이 스키마에 맞는지 자동 검증
활용성 높음	ORM, DB 모델, FastAPI 응답 등과 연동 용이

---

5. 실전 예시: JSON 결과를 DB로 저장하기

import sqlite3
import json
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import JsonOutputParser

# 1️⃣ 모델 및 파서 설정
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
parser = JsonOutputParser()

# ✅ 2️⃣ 중괄호 이스케이프 처리된 프롬프트
prompt = ChatPromptTemplate.from_template(
    '서울의 대표적인 관광지 3곳을 JSON 배열 형식으로 반환하세요. '
    '형식 예시: [{{"name": "경복궁", "location": "종로구"}}, '
    '{{"name": "남산타워", "location": "용산구"}}, '
    '{{"name": "북촌한옥마을", "location": "종로구"}}]'
)

# 3️⃣ LCEL 체인 구성
chain = prompt | llm | parser

# 4️⃣ 실행
results = chain.invoke({})

# 5️⃣ JSON 문자열일 경우 파싱
if isinstance(results, str):
    try:
        results = json.loads(results)
    except json.JSONDecodeError as e:
        print("❌ JSON 파싱 실패:", e)
        print("LLM 출력 내용:", results)
        raise

# 6️⃣ SQLite에 저장
conn = sqlite3.connect("tourist_spots.db")
cur = conn.cursor()
cur.execute("CREATE TABLE IF NOT EXISTS places (name TEXT, location TEXT)")

# 7️⃣ 데이터 삽입
for place in results:
    name = place.get("name")
    location = place.get("location")
    if name and location:
        cur.execute("INSERT INTO places (name, location) VALUES (?, ?)", (name, location))

conn.commit()
conn.close()

print("✅ 데이터가 DB에 성공적으로 저장되었습니다!")

---

🎯 실습 포인트

LLM 응답이 불안정하다면 반드시 파서를 사용하세요.