企业官网建设流程全解析

1. 返回 Pydantic 对象

我们可以设置执行 Runnable 后的输出结果指定为Pydantic 类，这将返回一个 Pydantic 对象。
当收到模型的响应后，LangChain 会提取出代表Pydantic 参数的 JSON 对象，并用 Pydantic 模型对其进行解析和验证，将这个验证后的 JSON 转换为一个可用的 Pydantic 对象实例返回。

fromtypingimportOptional,Listfromlangchain.chat_modelsimportinit_chat_modelfrompydanticimportBaseModel,Field# 聊天模型-结构化返回model=init_chat_model(model="deepseek-chat",model_provider="deepseek")# 返回pydantic对象classJoke(BaseModel):"""给用户讲的一个笑话"""setup:str=Field(description="这个笑话的开头")punchline:str=Field(description="这个笑话的妙语")rating:Optional[int]=Field(default=None,description="从1到10分，给这个笑话评分")# Optional表示这个评分是一个可选项classData(BaseModel):"""获取关于笑话的数据列表"""jokes:List[Joke]model_with_structure=model.with_structured_output(Data)print(model_with_structure.invoke("讲一个关于唱歌的笑话和一个关于跳舞的笑话"))

输出结果：

jokes=[Joke(setup='为什么唱歌的人总是很冷静？',punchline='因为他们有"调"不紊！',rating=None),Joke(setup='为什么跳舞的人总是很受欢迎？',punchline='因为他们会"舞"动人心！',rating=None)]

调用with_structured_output方法并不是直接调用大模型，而是帮我构建一个可以结构化输出的Runnable实例（一个类似聊天模型的model），它和model的区别在于输出结果上，对于model 来说返回的AI Message中的content是一个消息字符串， 对于这个Runnable来说，返回的是一个给定输出结构的对象。

2. 返回字典TypedDict

TypedDict ，它用于为字典对象提供精确的、结构化的类型提示。它允许我们指定一个字典中应该有哪些键，以及每个键对应的值的类型。它非常重要的一个能力就是捕捉键名拼写错误与类型错误。

因此，我们也可以设置执行 Runnable 后的输出结果指定为 TypedDict 类，这将返回一个字典，且输出后，会根据设定进行验证。

fromtypingimportOptional,TypedDict,Annotatedfromlangchain.chat_modelsimportinit_chat_model# 聊天模型-结构化返回model=init_chat_model(model="deepseek-chat",model_provider="deepseek")# TypedDictclassJoke(TypedDict):"""给用户讲了一个笑话"""setup:Annotated[str,...,"这个笑话的开头"]punchline:Annotated[str,...,"这个笑话的妙语"]rating:Annotated[Optional[int],None,"从1到10分，给这个笑话评分"]model_with_structure=model.with_structured_output(Joke,include_raw=True)# 加上include_raw=True这个参数就可以看到聊天模型返回的 messageprint(model_with_structure.invoke("讲一个关于唱歌的笑话和一个关于跳舞的笑话"))

返回的结果：

可以看到返回的结果里面有三个字段：raw(里面是AIMessage)、parsed(对AIMessag进行了解析，解析成结构化数据)、parsing_error(有没有出现解析错误)。

3. 返回 JSON

还可以让聊天模型直接返回 JSON，只不过为了声明 JSON，我们需要定义 JSON Schema。

fromlangchain.chat_modelsimportinit_chat_model# 聊天模型-结构化返回model=init_chat_model(model="deepseek-chat",model_provider="deepseek")# JSON Schemajson_schema={"title":"joke","description":"给用户讲一个笑话。","type":"object","properties":{"setup":{"type":"string","description":"这个笑话的开头",},"punchline":{"type":"string","description":"这个笑话的妙语",},"rating":{"type":"integer","description":"从1到10分，给这个笑话评分","default":None,},},"required":["setup","punchline"],}model_with_structured=model.with_structured_output(json_schema)print(model_with_structured.invoke("讲一个关于跳舞的笑话"))

输出结果：

{'setup':'为什么程序员跳舞跳得特别好？','punchline':'因为他们最擅长"跳"出 bug 啊！','rating':7}

上面的结构化输出都是聊天模型提供的能力，并不是LangChain提供的，LangChain有提供具体的组件来处理结构化输出。

4. 选择输出格式

我们上面定义的结构化输出都是关于笑话的，那如果我现在问它别的问题呢？？？

fromlangchain.chat_modelsimportinit_chat_model# 聊天模型-结构化返回model=init_chat_model(model="deepseek-chat",model_provider="deepseek")# JSON Schemajson_schema={"title":"joke","description":"给用户讲一个笑话。","type":"object","properties":{"setup":{"type":"string","description":"这个笑话的开头",},"punchline":{"type":"string","description":"这个笑话的妙语",},"rating":{"type":"integer","description":"从1到10分，给这个笑话评分","default":None,},},"required":["setup","punchline"],}model_with_structured=model.with_structured_output(json_schema)print(model_with_structured.invoke("你是谁？"))

输出结果：

{'setup':'我是谁？','punchline':'我是一个AI助手，正在努力想一个关于自己的笑话...','rating':6}

我问它别的问题，它还在说笑话，这不是瞎胡闹嘛，我们不能让它瞎胡闹，我们可以让它在返回的时候有选择。

fromtypingimportOptional,Unionfromlangchain.chat_modelsimportinit_chat_modelfrompydanticimportBaseModel,Field model=init_chat_model(model="deepseek-chat",model_provider="deepseek")# Pydantic 对象classJoke(BaseModel):"""给用户讲的一个笑话"""setup:str=Field(description="这个笑话的开头")punchline:str=Field(description="这个笑话的妙语")rating:Optional[int]=Field(default=None,description="从1-10分，给这个笑话评分")classResponse(BaseModel):"""用以对话的方式回应。"""content:str=Field(description="用于对用户查询的会话响应")classFinalResponse(BaseModel):"""最终回复，选择合适的输出结构"""final_output:Union[Joke,Response]model_with_structured=model.with_structured_output(FinalResponse)print(model_with_structured.invoke("讲一个关于跳舞的笑话"))print(model_with_structured.invoke("你是谁？"))

输出结果：

final_output=Joke(setup='为什么跳舞的人数学都很好？',punchline='因为他们总是数着拍子：1、2、3、4，1、2、3、4……',rating=7)final_output=Response(content='你好！我叫Claude，是由Anthropic公司创造的AI助手。我在这里帮助你解答问题、提供信息、进行创作，或者只是和你聊聊天！有什么我可以帮你的吗？😊')