第06章：结构化输出(Structured Output)

1、结构化输出概述

1.1 什么是结构化输出

LangChain的结构化输出（Structured Output） 指的是：

要求模型最终返回一个符合预定义结构的数据对象，例如固定字段的JSON、Pydantic 模型、 TypedDict，而不再是无格式的自然语言文本。

它的核心目标是把“ 自然语言回答 ”变成“ 程序可以稳定消费的数据 ”。

例如，不是让模型输出： 盗梦空间在2010年上映，导演是克里斯托弗·诺兰，评分9.3。

而是让它输出成类似这样的结构：

{
  "title": "盗梦空间",
  "year": 2010,
  "director": "克里斯托弗·诺兰",
  "rating": 9.3
}

• 这样做的价值主要有三点：
  • 更容易被代码处理：下游系统可以直接读字段，而不是再从自然语言里做解析。
  • 结果更稳定：减少“模型说法变了但意思差不多”导致的解析失败。
  • 更适合工程化：适用于表单抽取、分类、路由、调用工具参数生成、工作流状态传递等场景。

1.2 传统方式 vs 结构化输出

1、传统的几种方式（繁琐、不推荐）

# 1. 提示词要求JSON
prompt = "以JSON格式返回：{name, age, occupation}"
response = model.invoke(prompt)

# 2. 手动解析
import json
data = json.loads(response.content)

# 3. 手动验证类型
if not isinstance(data['age'], int):
  raise ValueError("age must be int")

# 4. 手动创建对象
person = Person(**data)

2、结构化输出（简洁）

# 一步到位
structured_llm = model.with_structured_output(Person)
person = structured_llm.invoke("张三是一名 30 岁的软件工程师")
# ✅ 自动解析、验证、创建对象

为什么第2种结构化输出机制这么受欢迎？
在没有 Pydantic 等结构化方案之前，开发者需要写大量的 Prompt 苦口婆心地求大模型“请返回 JSON，
不要带任何解释”，然后自己写繁琐的 json.loads() 和 try…except 。
而有了 Pydantic 等结构化方案结合 .with_structured_output() 之后：

• Prompt 变干净了： 字段的 description 直接充当了 Prompt 的一部分。
• 类型安全： 编辑器能自动补全，代码运行前就能做类型检查。
• 极其稳定： 依托大模型厂商底层的 JSON 模式，输出错误率降到了极低。

1.3 结构化输出模式

目前LangChain 1.x 支持多种Schema与结构化输出方式：

• Pydantic（字段校验、描述、嵌套结构，功能最丰富）
• TypedDict（轻量类型约束）
• JSON Schema（与前后端/跨语言接口最通用）
• dataclass

模型对象可以调用with_structured_output() 绑定输出模式（schema）。
只有Pydantic 返回的是Schema类实例，其余三种方式返回的都是字典；也只有Pydantic 在类型不匹配时会抛出异常。

问题：现在所有模型都支持“本章要讲解的结构化输出方式”吗？
大部分现代模型支持（通过函数调用）：

• ✅ OpenAI (gpt-4, gpt-3.5-turbo)
• ✅ Anthropic (claude-3)
• ✅ Groq (llama-3)
• ❌ 某些旧模型不支持

如果不支持，LangChain 会回退到提示词 + JSON 解析。