LangChain 结构化输出15 行代码把 LLM 文本变成规范数据【免费下载链接】langchainThe agent engineering platform.项目地址: https://gitcode.com/GitHub_Trending/la/langchain从模型的长文本里抠出标题、要点、情感再塞进数据库手写正则解析很费劲多一句废话就崩。LangChain 结构化输出让模型回答前先拿到一张“表单模板”出来的必然是你定义的字段对象。项目速览说白了LangChain 是把大语言模型LLM能力接入真实应用的 Python 框架结构化输出是它里面最实用的“驯服”技巧之一。安装一行搞定pip install langchain langchain-openai源码可以完整拉下来看git clone https://gitcode.com/GitHub_Trending/la/langchain为什么值得试和传统方式放一起对比就很直观维度手写解析LangChain 结构化输出定义字段正则或字符串切分模板一改全重写写一个 Pydantic 模型schema 自动转换校验空值、类型错逐个兜Pydantic 自动校验不匹配直接抛错下游对接JSON 字符串手动映射对象直接进数据库、进 APIPydantic 是 Python 的数据校验库这里只需描述数据“长什么样”哪些字段、什么类型、是否必填。实际上“模型输出不是合法 JSON”“字段漏了”这类高频翻车场景在这一层就被拦住了。跑通 LangChain 结构化输出最小路径第一步准备数据。任意文本都行新闻、客服工单、会议纪要就是一个装字符串的变量。第二步调用核心 API。定义输出 schema再用with_structured_output包住模型from pydantic import BaseModel from langchain_openai import ChatOpenAI class TicketSummary(BaseModel): title: str key_points: list[str] sentiment: str # 正面 / 中性 / 负面 llm ChatOpenAI(modelgpt-4o-mini, temperature0) extractor llm.with_structured_output(TicketSummary)第三步拿到结果。extractor.invoke返回的不再是字符串而是校验过的对象text 用户反馈新版界面很好用但首次启动会闪退一次 result extractor.invoke(text) print(result.title, result.sentiment)整个流程只有三个动作定 schema、包模型、invoke。这里有个小技巧ChatOpenAI可以换成任何 LangChain 接好的 LLM比如仓库libs/partners/下的 Anthropic、Ollama 等集成包schema 代码一行不用改。进阶玩法调试加include_rawTrue能同时拿到模型原始回复和解析错误一眼看出“为什么没解析出来”。批量处理上千条工单时把 invoke 丢进循环或任务队列即可schema 固定意味着下游表结构稳定v1 的 Agent 原生支持结构化回复详见源码libs/langchain_v1/langchain/agents/structured_output.py。资源速查聊天模型结构化输出实现with_structured_outputlibs/core/langchain_core/language_models/chat_models.pyv1 Agent 结构化输出类型定义libs/langchain_v1/langchain/agents/structured_output.pyOpenAI 集成包libs/partners/openai/【免费下载链接】langchainThe agent engineering platform.项目地址: https://gitcode.com/GitHub_Trending/la/langchain创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考