4. LangChain 출력 파서(OutputParser)

4. LangChain 출력 파서(OutputParser)

LangChain에서 **출력 파서(OutputParser)**는 LLM의 출력을 원하는 형태로 구조화해주는 핵심 컴포넌트입니다. 본 자료에서는 LangChain v0.3.x와 OpenAI의 GPT-4o-mini 모델을 활용하여 다양한 출력 파서를 실습합니다. 모든 프롬프트와 코드는 Python으로 작성되며, Jupyter 노트북 또는 VS Code 환경을 전제로 합니다. API 키는 python-dotenv를 이용해 .env 파일에 저장하고 불러오는 방식을 사용합니다.

짧은 Q&A 답변부터 JSON 형식 데이터까지 출력 파서를 통해 응답을 정형화함으로써, 후속 처리나 평가, 다른 시스템과의 연동을 쉽게 할 수 있습니다.

🎯 학습 목표

• StrOutputParser, JsonOutputParser, CommaSeparatedListOutputParser의 동작 방식과 차이점을 이해한다.
• 각 출력 파서를 실제 프롬프트와 LLM 응답에 적용하고, 파싱된 결과를 후속 처리하는 방법을 실습한다.
• 출력 파서를 사용하는 목적과 장점: 응답의 구조화된 후속 처리, 평가/검증, 외부 시스템 연동 등을 위한 응답 정형화의 중요성을 파악한다.
• 다양한 출력 형식 예시를 다룬다: JSON 객체, 단일 정답 추출, 불릿 포인트 요약 리스트 등.

1. 환경 설정 (설치 및 API 키 구성)

우선 실습에 필요한 환경을 구성합니다. LangChain과 OpenAI API, dotenv 라이브러리를 설치하고 API 키를 설정합니다.

1. 필수 패키지 설치: 터미널이나 Jupyter 노트북에서 다음 명령으로 LangChain, OpenAI, python-dotenv를 설치합니다. (이미 설치되어 있다면 생략 가능)
2. pip install langchain openai python-dotenv
3. OpenAI API 키 준비: OpenAI 계정에서 발급받은 API 키를 사용합니다. 프로젝트 루트 경로에 .env 파일을 생성하고 아래와 같이 키를 저장합니다. (파일이 이미 존재한다면 해당 부분에 추가)
4. OPENAI_API_KEY=sk-***********************
5. 환경 변수 로드: Python 코드에서 dotenv를 사용하여 .env 파일의 API 키를 불러옵니다. 그리고 LangChain의 ChatOpenAI 객체를 초기화합니다. 모델은 GPT-4o-mini를 사용하고, 응답 포맷 일관성을 위해 temperature=0으로 설정합니다.

   # 출력:
   # LLM Ready: ChatOpenAI(...)
   

   위 코드로 OpenAI API 키가 로드되고 GPT-4o-mini 모델에 연결된 llm 객체가 준비되었습니다. 이제 이 LLM을 사용해 LangChain 체인을 구성하고, 출력 파서를 적용할 수 있습니다.
6. # .env 파일 로드 및 OpenAI API 키 설정 from dotenv import load_dotenv import os load_dotenv() # .env 파일의 환경변수 불러오기 openai_api_key = os.environ.get("OPENAI_API_KEY") if openai_api_key is None: raise ValueError(".env 파일에 OPENAI_API_KEY를 설정해주세요!") # LangChain 및 OpenAI LLM 초기화 from langchain_openai import ChatOpenAI llm = ChatOpenAI(model_name="gpt-4o-mini", temperature=0) print("LLM Ready:", llm)

2. LangChain 체인과 .invoke() 메서드

LangChain v0.3.x에서는 체인의 구성 요소들을 파이프라인처럼 결합하고 .invoke() 메서드로 실행할 수 있습니다. 체인을 구성하는 기본 요소는 프롬프트 템플릿 (PromptTemplate), LLM (예: ChatOpenAI), 그리고 OutputParser입니다. 이들을 | 연산자로 연결하면 하나의 거대한 체인(Runnable 체인)이 만들어집니다.

• PromptTemplate: 프롬프트 문자열과 변수 플레이스홀더를 정의합니다. 예를 들어 template="질문: {question}\n답변:"은 {question} 부분에 실제 질문이 삽입되는 프롬프트 템플릿입니다.
• LLM 모델: OpenAI GPT-4o-mini와 같은 언어 모델로, PromptTemplate의 결과를 입력받아 답변을 생성합니다.
• OutputParser: LLM의 출력(텍스트)을 지정한 구조로 파싱합니다. 파서에 따라 문자열, 리스트, JSON 등으로 변환되어 Python 객체로 리턴됩니다.

이렇게 구성된 체인은 .invoke(input) 메서드로 실행합니다. 예를 들어 chain.invoke({"question": "서울은 어느 나라의 수도인가?"})와 같이 입력을 전달하면 체인이 동작하여 최종 파싱된 결과를 반환합니다. .invoke()는 LangChain의 새로운 체인 실행 방식으로, 과거 chain.run()과 유사하지만 보다 일관된 인터페이스를 제공합니다.

또한 체인에 .with_config({"verbose": True})를 적용하면 실행 시 상세한 내부 로그를 출력하도록 verbose 모드를 활성화할 수 있습니다. 디버깅 시 유용하며, 이에 대해서는 뒤에 자세히 다룹니다.

다음 섹션부터는 각 OutputParser의 원리와 사용법을 이 체인 구조에 맞추어 설명합니다.

3. StrOutputParser – 문자열 출력 파서

StrOutputParser는 가장 기본적인 출력 파서로, LLM의 출력 텍스트를 있는 그대로 문자열로 반환합니다. 특별한 변환이나 구조화 없이, **가장 가능성 높은 1개의 응답(Generation)**의 내용을 추출하는 역할을 합니다. 사실상 출력에 손을 대지 않고 그대로 전달하기 때문에, 체인 사용 시 기본 동작과 크게 다르지 않지만, LangChain 체인의 일환으로 다른 파서들과 동일하게 활용할 수 있다는 장점이 있습니다.

주요 특징:

• 입력 프롬프트에 대한 LLM의 답변을 수정 없이 문자열로 반환합니다.
• get_format_instructions() 메서드를 제공하지만, 별도의 포맷 지침이 필요하지 않으므로 구현이 되어 있지 않을 수 있습니다 (사용 시 NotImplementedError 발생 가능).
• 주로 응답 전체를 그대로 전달하거나, 한 단어/한 문장 등 단일 정답 추출 형태로 활용합니다.

3.1 StrOutputParser 예제

예제 시나리오: 간단한 퀴즈 질문에 한 단어로 답변을 요구하고, StrOutputParser로 그 결과를 받아보겠습니다. 프롬프트는 한국어로 작성하며, "한 단어로 답하라"는 지침을 줘서 응답이 간결한 문자열이 되도록 유도합니다.

from langchain.prompts import PromptTemplate
from langchain_core.output_parsers import StrOutputParser

# 출력 파서와 프롬프트 설정
output_parser = StrOutputParser()
prompt = PromptTemplate(
    template="질문: {question}\n한 단어로 답하세요.", 
    input_variables=["question"]
)

# 체인 구성: PromptTemplate | LLM | OutputParser
chain = prompt | llm | output_parser

# 테스트 실행 (.invoke)
query = {"question": "서울은 어느 나라의 수도인가?"}
result = chain.invoke(query)

print("원본 문자열 출력:", result)
print("출력 타입:", type(result))
print("응답 글자수:", len(result))

# 출력 예시:
# 원본 문자열 출력: 대한민국
# 출력 타입: <class 'str'>
# 응답 글자수: 4

• result 변수에는 LLM의 답변이 **문자열(String)**로 저장됩니다. 여기서는 질문에 대한 정답인 "대한민국"이 한 단어로 반환되었고, 자료형은 <class 'str'>입니다.
• StrOutputParser를 사용함으로써 체인의 최종 출력이 문자열 타입으로 보장됩니다. (LangChain에서 별도의 OutputParser를 지정하지 않은 기본 LLMChain도 보통 문자열을 반환하지만, 특히 ChatOpenAI처럼 메시지 객체를 반환하는 모델의 경우 StrOutputParser를 쓰면 .content 내용만 추출해주는 효과가 있습니다.)

후속 처리 예시: 파서를 통해 얻은 문자열은 일반 파이썬 문자열로 다루면 됩니다. 예를 들어 위 코드에서 len(result)로 글자수를 구하거나, result == "대한민국"처럼 다른 문자열과 비교/검증할 수 있습니다. 이처럼 StrOutputParser는 자유도가 가장 높지만 구조화는 안 된 형태의 출력으로, 간단한 응답이나 자유 텍스트가 필요한 경우 사용합니다.

Note: StrOutputParser는 출력에 별도의 형식 제약을 걸지 않기 때문에, LLM이 프롬프트를 제대로 따르지 않으면 예상과 다른 형식의 답변이 나올 수 있습니다. 따라서 한 단어로 답하세요와 같은 지침을 프롬프트에 포함하여 모델 출력을 제어하는 것이 중요합니다. (StrOutputParser 자체는 포맷 강제를 하지 않습니다.)

4. CommaSeparatedListOutputParser – 콤마 구분 리스트 파서

CommaSeparatedListOutputParser는 LLM 출력이 **콤마(,)로 구분된 항목들**로 이루어져 있다고 가정하고 이를 파싱하여 **Python 리스트(list)**로 변환해주는 파서입니다. 주로 "여러 개의 항목 나열" 같은 요청에 사용되며, 모델이 적절히 콤마로 항목을 구분하도록 프롬프트를 구성하면, 편리하게 결과를 리스트로 얻을 수 있습니다.

주요 특징:

• 응답을 쉼표로 구분된 문자열로 출력하도록 모델에게 지시하고, 그 출력 문자열을 .split(",") 등의 방식으로 분리하여 문자열 리스트 List[str]로 반환합니다.
• get_format_instructions() 메서드가 구현되어 있어, 프롬프트에 삽입할 수 있는 형식 안내문을 제공합니다. 기본적으로 "Your response should be a list of comma separated values, eg: \foo, bar, baz`"`와 같은 영문 지침이 반환됩니다.
• 형식 안내문을 사용하면 모델이 포맷을 준수하는 답변을 하도록 유도할 수 있습니다. (물론 한국어 수업이므로, 안내문을 직접 한글로 작성하는 방법도 있습니다.)

4.1 CommaSeparatedListOutputParser 예제

예제 시나리오: "아이스크림 맛"에 대한 다섯 가지 종류를 나열하도록 모델에게 요청해보겠습니다. 출력은 쉼표로 구분된 한 줄 목록이어야 하며, 이를 CommaSeparatedListOutputParser로 파싱하여 파이썬 리스트로 얻습니다.

우선 출력 파서의 get_format_instructions()를 사용해 어떤 지침을 줄지 확인해보고, 필요에 따라 한글로 수정해보겠습니다:

from langchain_core.output_parsers import CommaSeparatedListOutputParser

cs_list_parser = CommaSeparatedListOutputParser()
format_instructions = cs_list_parser.get_format_instructions()
print("기본 형식 지침:\n", format_instructions)

# 기본 형식 지침 (영문 예시 출력):
# Your response should be a list of comma separated values, eg: `foo, bar, baz`

위와 같이 영문으로 제공되는데, 한국어 프롬프트에 이 문장을 섞어도 모델은 이해할 수 있지만, 모든 프롬프트를 한국어로 일관하기 위해 이 내용을 참고하여 한글 형식 지침을 직접 작성하겠습니다.

format_instructions_ko = "응답은 쉼표로 구분된 값의 목록 형태로 출력하세요. 예: `바나나, 사과, 오렌지`"
prompt = PromptTemplate(
    template="다음 {item} 5가지를 나열하세요.\n{format_instructions}",
    input_variables=["item"],
    partial_variables={"format_instructions": format_instructions_ko}
)

chain = prompt | llm | cs_list_parser

# 체인을 실행하여 결과 얻기
input_data = {"item": "아이스크림 맛"}
result_list = chain.invoke(input_data)

print("출력 값:", result_list)
print("출력 타입:", type(result_list))
print("항목 수:", len(result_list))
print("첫 번째 항목:", result_list[0])

# 출력 예시:
# 출력 값: ['초콜릿', '바닐라', '딸기', '녹차', '민트 초코']
# 출력 타입: <class 'list'>
# 항목 수: 5
# 첫 번째 항목: 초콜릿

• CommaSeparatedListOutputParser 덕분에 result_list는 파이썬 리스트 객체로 반환되었습니다. 실제 출력 예시를 보면 ['초콜릿', '바닐라', '딸기', '녹차', '민트 초코']처럼 문자열 요소 5개를 갖는 리스트임을 확인할 수 있습니다.
• 리스트의 길이 len(result_list)는 5이며, result_list[0]으로 첫 번째 요소 "초콜릿"에 바로 접근할 수 있습니다. 이처럼 LLM의 텍스트 나열 결과를 바로 파이썬 리스트로 활용할 수 있게 되었습니다.

후속 처리 예시: 리스트 형태의 출력은 순회(iteration)하거나, 각 요소를 개별적으로 사용하기 좋습니다. 예를 들어 위 결과 리스트에서 아이스크림 맛 하나하나에 대해 추가 정보를 검색하거나, 필요한 경우 정렬 sorted(result_list)을 할 수도 있습니다. 또 리스트의 요소 개수를 세어서 모델이 요구한 개수를 제대로 맞췄는지 검증할 수도 있습니다. (예: 5개 요청에 5개를 답했는지 확인)

Note: CommaSeparatedListOutputParser는 응답을 단순히 text.split(",") 방식으로 처리하기 때문에, 모델 출력에 콤마가 잘못 사용되면 예상치 못한 파싱 결과가 나올 수 있습니다. 예를 들어 항목 자체에 콤마가 포함되어 있는 경우(문장이나 수치에 comma가 들어간 경우 등) 제대로 분리가 안될 수 있습니다. 또한 모델이 쉼표 대신 줄바꿈으로 목록을 출력하면 파싱 결과가 한 개의 항목이 될 수도 있습니다. 따라서:

• 프롬프트에서 쉼표로 구분하라는 지침을 명확히 하고, 예시도 제시하는 것이 좋습니다.
• 필요하면 응답을 받은 후 추가로 result_list = [s.strip() for s in result_list]처럼 공백을 제거하거나 빈 문자열을 걸러주는 후처리를 할 수 있습니다.

5. JsonOutputParser – JSON 출력 파서

JsonOutputParser는 LLM의 출력을 JSON 형식으로 간주하여 파싱해주는 출력 파서입니다. 모델이 { ... } 형태의 JSON 문자열을 반환하면, 이를 Python의 딕셔너리(dict) 또는 리스트로 변환해주어 구조화된 데이터로 다룰 수 있게 합니다. JSON은 키-값으로 정보를 조직할 수 있으므로, 복잡한 응답을 체계화하거나 LLM과 다른 프로그램 간의 데이터 교환 포맷으로 유용합니다.

주요 특징:

• 모델 출력 문자열을 JSON으로 파싱하여 Python 객체로 반환합니다. 일반적으로 { }로 감싸진 객체는 dict로, [ ] 배열은 list로 로드됩니다. 내부에 숫자, 문자열 등이 타입에 맞게 매핑됩니다.
• get_format_instructions() 메서드로 JSON 형태로 답하라는 지침을 얻을 수 있습니다. 추가로 특정 Pydantic 모델을 제공하여 예상 필드/스키마를 지정할 수도 있습니다 (optional).
• JSON 파싱에 실패할 경우 OutputParserException을 발생시킵니다. 예컨대 모델 출력이 JSON 형식에 어긋나면 에러로 처리되므로, 엄격한 구조화에 활용할 수 있지만 그만큼 모델이 정확히 포맷을 지키도록 프롬프트를 잘 설계해야 합니다.

5.1 JsonOutputParser 예제

예제 시나리오: 사용자에게 영화 추천을 하나 해주는 모델 응답을 생각해봅시다. 영화의 제목, 출시년도, 장르를 JSON 객체로 반환하도록 프롬프트를 구성하고, JsonOutputParser로 이를 파싱해보겠습니다.

모델에게 JSON의 키 이름과 형식을 정확히 지키도록 지시하기 위해, 프롬프트에 JSON 예시나 형식 설명을 넣겠습니다. 또한 "추가 설명은 하지 말 것"을 강조하여 순수 JSON만 출력하게 유도합니다.

from langchain_core.output_parsers import JsonOutputParser

json_parser = JsonOutputParser()

# 프롬프트 템플릿 정의
movie_prompt = PromptTemplate(
    template=(
        "다음 사용자 취향에 맞는 영화를 한 편 추천해주세요.\n"
        "취향: {preference}\n\n"
        "아래 형식의 JSON으로만 답변하세요 (추가 설명 금지):\n"
        '{{ "title": "<영화 제목>", "year": <출시년도>, "genre": "<장르>" }}'
    ),
    input_variables=["preference"]
)

chain = movie_prompt | llm | json_parser

# 입력 예: SF 장르를 좋아하는 경우
user_input = {"preference": "SF (공상 과학)"}
result_dict = chain.invoke(user_input)

print("출력 타입:", type(result_dict))
print("JSON 파싱 결과:\n", result_dict)
print("제목:", result_dict.get("title"))

# 출력 예시:
# 출력 타입: <class 'dict'>
# JSON 파싱 결과:
#  {'title': '인터스텔라', 'year': 2014, 'genre': 'SF'}
# 제목: 인터스텔라

• 모델의 답변이 "title": ..., "year": ..., "genre": ... 키를 갖는 JSON 문자열로 생성되었고, JsonOutputParser에 의해 Python 딕셔너리로 변환되었습니다. result_dict의 타입은 <class 'dict'>이며, result_dict["title"] 또는 result_dict.get("title")로 영화 제목을 쉽게 추출할 수 있습니다.
• 프롬프트에 JSON 예시 템플릿을 명시함으로써, 모델이 가능하면 정확한 형식을 따르도록 했습니다. 출력 결과를 보면 중괄호, 따옴표, 콜론 등의 JSON 구문이 정확하게 지켜졌음을 확인할 수 있습니다. (따옴표는 모두 쌍따옴표여야만 유효한 JSON입니다.)
• JsonOutputParser는 내부적으로 json.loads()와 유사한 파싱을 수행하므로, 모델 출력에 조금이라도 형식 오류가 있다면 예외를 일으킵니다. 이 점을 이용해 LLM의 응답을 검증하거나, 잘못된 형식의 응답은 걸러내고 재시도하도록 만드는 전략도 가능합니다.

후속 처리 예시: JSON으로 받은 데이터는 곧바로 코드에서 활용할 수 있습니다. 예를 들어 위 결과의 "year": 2014 값을 사용해 해당 연도의 다른 영화를 찾아본다든지, "genre": "SF"를 활용해 SF 카테고리에 분류하거나 할 수 있겠습니다. 또한 복잡한 응답 (예: 다중 항목 추천 등)도 JSON 배열이나 중첩 구조로 표현하면 체계적으로 다룰 수 있습니다.

Note: JSON 출력의 실패 사례로는, 모델이 형식을 어겨서 "title": "인터스텔라", 'year': 2014, ...처럼 잘못된 따옴표를 쓴다거나, {} 밖에 다른 설명을 덧붙이는 경우 등이 있습니다. 이럴 때 JsonOutputParser는 예외를 발생시키며, 다음 섹션에서 이러한 상황에 대한 오류 처리 및 디버깅 방법을 다루겠습니다. 또한 보다 엄격한 스키마 준수를 위해 PydanticOutputParser를 사용하는 방법도 있지만 (Pydantic 모델을 전달하여 추가 검증), 이번 수업에서는 기본 JsonOutputParser 범위 내에서 다룹니다.

6. 출력 파서 활용 팁: 오류 처리 및 디버깅

LLM의 출력이 항상 완벽하게 형식에 맞춰 떨어지는 것은 아닙니다. 출력 파서를 사용할 때 파싱 오류가 발생할 수 있고, 모델이 지시를 어겨 엉뚱한 포맷으로 답변할 수도 있습니다. 이러한 상황에 대비해 오류를 처리하고 디버깅하는 방법을 알아두어야 합니다.

6.1 OutputParserException 및 예외 처리

LangChain의 출력 파서들은 대체로 파싱에 실패하면 OutputParserException을 발생시킵니다. 예를 들어 JsonOutputParser는 JSON이 유효하지 않을 경우 예외를 던지도록 구현되어 있습니다. 이러한 예외를 적절히 처리하면, 잘못된 출력에 대응하거나 재시도를 요청하는 로직을 작성할 수 있습니다.

예외 처리 예시: JsonOutputParser를 이용하면서 발생할 수 있는 오류를 가정해 보겠습니다. (고의로 모델에게 형식을 지키지 않도록 유도하여 에러를 내는 식으로 실험할 수도 있습니다.)

from langchain.schema import OutputParserException

# 프롬프트를 약간 변형하여 실수 유도: JSON 키에 따옴표를 쓰지 말라고 해보기 (잘못된 제안)
bad_prompt = PromptTemplate(
    template=(
        "다음 질문에 답하고 JSON으로 출력하세요 (키에 따옴표는 빼도 됨):\n"
        "{question}"
    ),
    input_variables=["question"]
)
chain_bad = bad_prompt | llm | json_parser

try:
    bad_result = chain_bad.invoke({"question": "세계에서 가장 높은 산은?"})
    print("파싱 결과:", bad_result)
except OutputParserException as e:
    print("OutputParserException 발생! 오류 메시지:", str(e))

# (예시) 출력:
# OutputParserException 발생! 오류 메시지: Could not parse LLM output into JSON.

위 시나리오는 인위적인 예지만, 키에 따옴표는 빼도 됨이라는 잘못된 지시로 인해 모델이 JSON 표준에 어긋나는 출력 ({ title: 에베레스트, ... })을 생성했고, JsonOutputParser가 이를 파싱하지 못해 예외가 발생한 모습입니다.

이 때 OutputParserException을 캐치하여:

• 오류 메시지 (e 객체의 문자열 표현)를 기록하거나 사용자에게 알려줄 수 있습니다.
• chain_bad 대신 출력 파서가 없는 체인 (prompt | llm)을 이용해 원본 LLM 응답을 확보할 수 있습니다. 위 코드에서는 raw_response로 출력 내용을 확인했습니다. 이를 통해 어디서 형식이 틀어졌는지 분석할 수 있습니다.
• 필요한 경우 다시 프롬프트를 개선하거나 모델에게 재시도를 요청할 수 있습니다. 예를 들어, 위 예시에서는 키에 따옴표를 빼라는 지시가 잘못이므로 제거하고 다시 시도하면 될 것입니다.

OutputParserException 외 예외: CommaSeparatedListOutputParser나 StrOutputParser는 단순한 구현이어서, 어지간해선 예외를 던지지 않고 결과를 내려고 할 것입니다. (예: 쉼표 없는 문자열을 CommaSeparatedListOutputParser로 파싱하면 길이 1의 리스트로 반환). 하지만 원하는 구조와 다를 경우에 대비해, 결과의 타입이나 값 검증을 직접 수행하는 것도 권장됩니다. 예를 들어 리스트를 기대했는데 타입이 리스트가 아니면 문제가 있는 것이므로 isinstance(result, list) 검사를 하는 식입니다.

7. 정리 및 추가 논의

이상으로 LangChain의 주요 OutputParser인 StrOutputParser, CommaSeparatedListOutputParser, JsonOutputParser에 대해 살펴보았습니다. 요약하면:

• StrOutputParser: LLM의 응답을 가공 없이 문자열로 반환합니다. 자유형식 응답이나 간단한 Q&A에 사용합니다.
• CommaSeparatedListOutputParser: 응답을 쉼표로 구분된 문자열로 생성하도록 하고, 이를 자동으로 리스트로 변환합니다. 목록형 출력에 유용합니다.
• JsonOutputParser: JSON 형식의 응답을 파싱하여 딕셔너리/리스트 등 구조화된 Python 객체로 반환합니다. 복잡한 정보도 체계적으로 다룰 수 있게 해줍니다.

출력 파서를 사용함으로써 LLM의 출력 내용을 구조화하고, 이후 단계에서 그 결과를 프로그래밍적으로 쉽게 활용하거나 검증할 수 있게 됩니다. 이는 예측 불가능한 자연어 응답을 다루는 데 발생하는 위험성을 줄이고, LLM을 보다 신뢰성 있는 컴포넌트로 만드는 핵심 기법입니다. 특히 JSON처럼 엄격한 포맷은 외부 시스템과 연동하거나 DB에 저장할 때 큰 도움이 됩니다.

마지막으로, 실제 응용에서 출력 파서를 사용할 때는 프롬프트 엔지니어링도 함께 중요하다는 점을 기억해야 합니다. 모델에게 원하는 포맷을 예시와 함께 정확히 알려주고, 필요하면 한계 케이스에 대한 처리(예: 예외처리, 재시도 로직)를 구현하여 시스템의 견고함을 높이는 것이 좋습니다.

이번 수업의 내용을 토대로, 다양한 출력 파서와 맞춤형 파서를 실습해 보길 권장합니다. 필요에 따라 RegexParser나 PydanticOutputParser, 또는 직접 커스텀한 OutputParser를 만들어 특정 형식을 파싱하는 등 응용 범위를 넓혀갈 수 있습니다. 모두 수고하셨습니다!