2.1.2 高级特性-大赛人网

使用CloseAI平台的gpt模型：

使用OpenRouter平台的gpt模型：

情况1：可选字段
问题：LLM 未填充某些字段怎么办？
使用Optional 指定字段为可选的。
举例：

Person(name=’张三’, age=1 0, occupation=’医生’)

作为对比：

Person(name=’张三’, age=None, occupation=’医生’)

情况2：默认值
LLM 未提供的信息会使用默认值。格式如下：
Field(default=”默认值”, description=”描述”)
注意：不同模型提供商对default字段的支持是不同的。
举例1：

使用CloseAI平台的gpt模型：

Person(name=’张三’, age=1 0, occupation=’医生’)

作为对比：

Person(name=’张三’, age=1, occupation=’医生’)

举例2：

Config(timeout=None, retry=True, max_attempts=5)

作为对比：

Config(timeout=None, retry=True, 1 max_attempts=5)

举例3：

情况3：枚举类型
问题：如何限制字段的可选值？
回答：使用枚举。
举例1：

举例2：

举例3：

如果嫌单独定义一个 Enum 类太麻烦，也可以直接导入 typing 中的 Literal ，直接在字段里把允许的值写死。

应用场景：
- 自动填充 CRM 系统
- 工单自动分类
- 客服辅助
情况4：列表提取
举例1：

people=[Person(name=’张三’, age=30), Person(1 name=’李四’, age=25)]

举例2：产品评论分析

product=’iPhone 17′ rating=4 pros=[‘摄像头强大’, ‘手感好’] cons=[‘价格贵’,’没有充电器’]

应用场景：
- 批量处理用户评论
- 自动生成分析报告
- 发现产品改进点
举例3：文档信息提取

invoice_number=’INV-2024-001′ date=’2024-01-15′ total_amount=1299.0
items=[‘MacBook Pro’, ‘AppleCare+’]

应用场景：
- 自动化财务处理
- OCR 后结构化
- 数据录入
情况5：嵌套结构
举例1：

举例2：

说明：LLM 能力有限，复杂嵌套结构可能会出错。所以建议：
嵌套层级 ≤ 3 层

使用清晰的 description
必要时拆分成多个调用
举例3：

情况6：限制条件
举例1：

举例2：
使用CloseAI平台模型

使用OpenRouter平台模型

2.1.3 工作流程图解

第2步：协议转换
LangChain 内部会调用 Pydantic 的底层方法（如 model_json_schema() ），将你写的 Python 代码自
动转换成标准的 JSON Schema。
这个 JSON Schema 是一段严格的 JSON 文本，详细描述了有哪些字段、字段类型是什么（ string ,
array 等）以及字段的描述（ description ）。
第3步：模型交互与强约束
LangChain 会将这个 JSON Schema 包装进给大模型的 API 请求中。

现代方法（ .with_structured_output ）：现代大模型（如 OpenAI、Anthropic、Gemini 等）普遍支持“函数调用/工具调用（Function/Tool Calling）”或“JSON Mode”。LangChain 会把 JSONSchema 作为 Tools 传入。
大模型侧的约束：像 OpenAI 的 strict=True 参数，会启动模型的语法采样约束（Grammarbasedsampling）。大模型在解码生成 token 时，不是瞎猜，而是严格按照 JSON Schema 的语法树进行选择，从而在模型底层级保证了输出格式绝不走样。

第4步：自动解析与验证
当大模型返回符合 JSON 规范的字符串后，LangChain 的 PydanticStructuredOutputParser （解析
器）会接管工作：