引言
在使用大语言模型进行开发时，我们经常需要模型返回特定格式的数据，而不是纯文本。比如在构建AI应用时，我们可能需要模型返回JSON格式的数据用于后续处理，或者返回符合特定数据结构的对象。这就是结构化输出的价值所在。
本文将深入探讨LangGraph中的结构化输出功能，重点介绍.with_structured_output()方法的使用，并通过实际代码示例展示如何在项目中应用这一技术。
什么是结构化输出？
结构化输出是指LLM（或LangGraph工作流中的其他节点）返回的输出被格式化为明确定义的、机器可读的对象，如字典、列表、自定义类或JSON对象，而不是纯文本。
对比示例：
- 非结构化输出："答案是北京。"
- 结构化输出：{"城市": "北京", "国家": "中国", "人口": 2154}
为什么需要结构化输出？
在LangGraph中，一个节点的输出通常作为另一个节点的输入。如果输出是结构化的，下一步就能准确知道期望什么字段/数据以及如何访问它们。这大大提高了系统的可靠性和可维护性。
核心技术：.with_structured_output()方法
.with_structured_output()是获得结构化输出的最简单、最可靠的方法。它专为那些原生支持结构化输出API（如工具/函数调用或JSON模式）的模型实现，并在后台使用这些功能。
基本工作原理
该方法接受一个模式作为输入，指定所需输出属性的名称、类型和描述。它返回一个类似于模型的Runnable，但输出的不是字符串或消息，而是对应于给定模式的对象。
实现方式详解
方式一：使用Pydantic类
使用Pydantic的主要优点是模型生成的输出将被验证。如果任何必需的字段缺失或任何字段的类型错误，Pydantic将抛出错误。
复制方式二：使用TypedDict
如果您不想使用Pydantic验证，或者希望能够流式输出模型结果，可以使用TypedDict类定义模式。
复制方式三：使用JSON Schema
您也可以直接传入JSON Schema字典，这种方式不需要导入额外的类，但代码会更冗长一些。
复制LangGraph中的完整应用示例
下面是一个完整的LangGraph应用示例，展示如何在工作流中使用结构化输出：
复制多模式选择
有时我们需要让模型在多个输出格式之间进行选择。最简单的方法是创建一个具有Union类型属性的父模式：
复制流式输出支持
当输出类型是字典时（使用TypedDict类或JSON Schema定义时），我们可以从结构化模型中进行流式输出：
复制高级技巧
1. 原始输出处理
通过设置include_raw=True，可以获取原始输出，便于调试和错误处理：
复制2. 指定输出方法
对于支持多种结构化输出方法的模型，可以通过method参数指定使用的方法：
复制最佳实践
- 选择合适的模式类型：
- 需要运行时验证 → 使用Pydantic的BaseModel
- 仅需静态类型检查 → 使用TypedDict
- 需要流式输出 → 使用TypedDict或JSON Schema
- 提供清晰的字段描述：字段的名称和描述对模型理解输出格式非常重要
- 使用中文字段名：在中文应用场景中，使用中文字段名可以提高模型的理解准确性
- 合理设置可选字段：使用Optional类型和默认值来处理不确定的信息
总结
结构化输出是现代AI应用开发中的重要技术。通过LangGraph的.with_structured_output()方法，我们可以轻松让大语言模型返回格式化的数据，提高应用的可靠性和可维护性。
无论是使用Pydantic进行严格的数据验证，还是使用TypedDict进行灵活的字典操作，或是直接使用JSON Schema，都能满足不同场景下的需求。关键是根据具体的应用场景选择最合适的实现方式。
在实际项目中，建议优先使用Pydantic方式，因为它提供了最好的类型安全和数据验证功能。对于需要流式输出的场景，则可以考虑使用TypedDict方式。
通过合理运用这些技术，我们可以构建更加健壮和高效的AI应用系统。
