企业官网建设流程全解析

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：

Pydantic 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(model="gpt-4o-mini", temperature=0) 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_raw=True，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_output）：libs/core/langchain_core/language_models/chat_models.py
• v1 Agent 结构化输出类型定义：libs/langchain_v1/langchain/agents/structured_output.py
• OpenAI 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