企业官网建设流程全解析

数据只有具有希望的结构才可能被有效地处理，我们在调用create_agent函数创建Agent的时候，可以利用response_format控制输出的格式。我们可以定义一个Pydantic模型表示期望输出的结构。如果将此类型表示成ResponseT，我们可以直接将此类型作为response_format参数的值，也可以将此参数赋值为ResponseFormat[ResponseT]。除此之外，我们也可以创建一个表示JSON Schema的字典作为response_format参数的值。ResponseFormat类型是针对ToolStrategy、ProviderStrategy和AutoStrategy三个类型的联合。ToolStrategy和ProviderStrategy代表了两种实现结构化输出的不同技术路径。

defcreate_agent(...response_format:ResponseFormat[ResponseT]|type[ResponseT]|dict[str,Any]|None=None,...)ResponseFormat=ToolStrategy[SchemaT]|ProviderStrategy[SchemaT]|AutoStrategy[SchemaT]

1. ToolStrategy

ToolStrategy是目前针对结构化输出最稳定、最通用的实现方式，因为它利用的是工具调用这个所有LLM都具备的能力。LangChain会针对指定的Pydantic类型或者JSON Schema额外注册一个工具来完成格式化。这样LLM就会在回复消息的tool_calls中生成针对格式化工具的调用。Agent拦截这个调用，将其解析为结构化数据，并自动终止整个执行流程（不在继续调用模型）。

下面的代码演示了针对ToolStrategy的使用。我们定义如下这个名为WeatherResponse的Pydantc模型类描述针对天气查询的响应。工具函数get_weather以字符串文本的形式返回指定城市的天气信息。我们调用create_agent函数创建的Agent时将模型指定为一个ChatOpenAI对象（使用模型gpt-5.2-chat），response_format参数设置为针对WeatherResponse类型创建的ToolStrategy对象。

fromtypingimportAnnotated,Anyfromlangchain_openaiimportChatOpenAIfromlangchain_core.toolsimporttoolfrompydanticimportBaseModel,Fieldfromlangchain.agentsimportcreate_agentfromlangchain.agents.structured_outputimportToolStrategyfromdotenvimportload_dotenvimportjson load_dotenv()classWeatherResponse(BaseModel):"""A structured response format for weather information."""city:str=Field(description="City for which the weather is being reported")temperature:float=Field(description="Current temperature in Celsius")summary:str=Field(description="Brief summary of the weather conditions")suggestion:str=Field(description="Clothing suggestion based on the weather")defget_weather(city:str):"""Get the current weather for a given city."""return"It is sunny today, and the temperature is about 25.0 outside"agent=create_agent(model=ChatOpenAI(model="gpt-5.2-chat"),tools=[get_weather],response_format=ToolStrategy(WeatherResponse),)inputs={"messages":[("user","What is whether like in Suzhou, and what kind of closing is sugguested?")]}result:dict[str,Any]=agent.invoke(inputs)# type: ignoreresponse:WeatherResponse=result.get("structured_response")# type: ignoreprint(f"City:{response.city}")print(f"Temperature:{response.temperature}°C")print(f"Summary:{response.summary}")print(f"Clothing Suggestion:{response.suggestion}")

通过前面的内容我们知道作为Pregel对象的Agent，它默认具有三个输出通道，其中包括一个表示结构化输出的structured_response。我们在完成Agent调用后从结果中提取此数据成员，得到的就是一个WeatherResponse对象，它承载的信息会以如下形式输出：

City: Suzhou Temperature: 25.0°C Summary: Sunny Clothing Suggestion: Light, breathable clothing such as a T-shirt or blouse with jeans or light trousers. Bring a light jacket if you stay out in the evening.

如果我们拦截针对OpenAI API的调用，会得到两轮请求/响应。如下所示的第一次调用OpenAI API的请求，可以看出在请求中提供了针对两个工具的描述，其中一个是我们注册的get_weather,另一个名为WeatherResponse的工具就是LangChain根据注册的结构化输出类型自行创建的。第二个请求（携带工具get_weather执行的结果）也会包含相同的可用工具列表。

{"messages":[{"content":"What is whether like in Suzhou, and what kind of closing is sugguested?","role":"user"}],"model":"gpt-5.2-chat","stream":false,"tool_choice":"required","tools":[{"type":"function","function":{"name":"get_weather","description":"Get the current weather for a given city.","parameters":{"properties":{"city":{"type":"string"}},"required":["city"],"type":"object"}}},{"type":"function","function":{"name":"WeatherResponse","description":"A structured response format for weather information.","parameters":{"properties":{"city":{"description":"City for which the weather is being reported","type":"string"},"temperature":{"description":"Current temperature in Celsius","type":"number"},"summary":{"description":"Brief summary of the weather conditions","type":"string"},"suggestion":{"description":"Clothing suggestion based on the weather","type":"string"}},"required":["city","temperature","summary","suggestion"],"type":"object"}}}]}

如下所示的是第二次调用OpenAI API得到的响应，此时LLM已经得到了get_weather执行的结果（纯文本形式），然后它利用自身的推理能力根据格式化工具WeatherResponse的描述生成对应的工具调用，具体内容体现在choices->message->tool_calls节点中。

{"choices":[{"content_filter_results":{},"finish_reason":"tool_calls","index":0,"logprobs":null,"message":{"annotations":[],"content":null,"refusal":null,"role":"assistant","tool_calls":[{"function":{"arguments":"{\"city\":\"Suzhou\",\"temperature\":25,\"summary\":\"Sunny\",\"suggestion\":\"Light, breathable clothing such as a T-shirt or blouse with jeans or light trousers. Bring a light jacket if you stay out in the evening.\"}","name":"WeatherResponse"},"id":"call_z9H4ZDeVJx9FwGgJQEkMncea","type":"function"}]}}],"created":1772802482,"id":"chatcmpl-DGPCMdPFQc9YwdYo5UmSXoteV1wyQ","model":"gpt-5.2-chat-2025-12-11","object":"chat.completion","prompt_filter_results":[...],"system_fingerprint":null,"usage":{...}}

ToolStrategy类型定义如下，从它的构造函数可知：除了指定Schema类型之外，我们还可以指定其他参数。虽然用于格式化输出的工具是LangChain自行生成的，但是针对它的调用也应该生成一个ToolMessage，tool_message_content参数用于指定消息内容。如果模型输出的JSON与Schema不匹配，我们可以利用handle_errors参数设置相应的错误处理策略。该参数支持多种形式，包括布尔值、字符串、异常类型或自定义函数。如果设置为True，则会将错误信息发回给模型，让它重试修复JSON。如果设置成字符串，系统会向消息历史中追加一条以此为内容的ToolMessage。

@dataclass(init=False)classToolStrategy(Generic[SchemaT]):schema:type[SchemaT]|UnionType|dict[str,Any]schema_specs:list[_SchemaSpec[Any]]tool_message_content:str|Nonehandle_errors:(bool|str|type[Exception]|tuple[type[Exception],...]|Callable[[Exception],str])def__init__(self,schema:type[SchemaT]|UnionType|dict[str,Any],*,tool_message_content:str|None=None,handle_errors:bool|str|type[Exception]|tuple[type[Exception],...]|Callable[[Exception],str]=True,)->None

2. ProviderStrategy

我们之所以称ToolStrategy是目前最稳定、最通用的实现方式，是因为这种格式化输出是采用工具调用方式实现的，这是所有LLM都具备的能力。但是很多LLM（如OpenAI和Anthropic等）自身就具有结构化输出的能力。如果确认使用的模型具有此种能力，我们可以利用ProviderStrategy直接利用LLM对输出进行格式化，这无疑使更加高效的方式。

agent=create_agent(model=llm,tools=[get_weather],response_format=ProviderStrategy(WeatherResponse),)

对于上面演示的例子，我们只需要在调用create_agent函数的时候将response_format参数设置为ProviderStrategy对象，同样可以得到几乎一致的结构化输出。但是调用OpenAI API的请求和响应会有所不同。如下所示的使第一次调用的请求，可以看出希望输出的格式以JSON Schema的形式被置于请求的response_format节点，此节点将会包含在后续的所有请求中。可用工具列表中也不再有用于格式化的工具。

{"messages":[{"content":"What is whether like in Suzhou, and what kind of closing is sugguested?","role":"user"}],"model":"gpt-5.2-chat","response_format":{"type":"json_schema","json_schema":{"name":"WeatherResponse","description":"A structured response format for weather information.","strict":false,"schema":{"properties":{"city":{"description":"City for which the weather is being reported","title":"City","type":"string"},"temperature":{"description":"Current temperature in Celsius","title":"Temperature","type":"number"},"summary":{"description":"Brief summary of the weather conditions","title":"Summary","type":"string"},"suggestion":{"description":"Clothing suggestion based on the weather","title":"Suggestion","type":"string"}},"required":["city","temperature","summary","suggestion"],"type":"object"}}},"stream":false,"tools":[{"type":"function","function":{"name":"get_weather","description":"Get the current weather for a given city.","parameters":{"properties":{"city":{"type":"string"}},"required":["city"],"type":"object","additionalProperties":false},"strict":true}}]}

如下所示的第二次调用OpenAI API的响应,可以看出它提供的已经是与Schema匹配的结构化JSON内容了。

{"choices":[{"content_filter_results":{...},"finish_reason":"stop","index":0,"logprobs":null,"message":{"annotations":[],"content":"{\"city\":\"Suzhou\",\"temperature\":25,\"summary\":\"Sunny and pleasant\",\"suggestion\":\"Light clothing such as a T-shirt or blouse with thin pants or a skirt is suitable. You may also want a light jacket for the morning or evening.\"}","refusal":null,"role":"assistant"}}],"created":1772805154,"id":"chatcmpl-DGPtSmO45cggzuhJvfd9id0MZNNyQ","model":"gpt-5.2-chat-2025-12-11","object":"chat.completion","prompt_filter_results":[...],"system_fingerprint":null,"usage":{...}}

ProviderStrategy定义如下，其构造函数除了表示Schema类型的参数之外，还有一个布尔类型的参数strict。目前它主要针对的是OpenAI的Strict Mode开关。如果设为True，OpenAI会保证输出100%与指定的Schema匹配。但是带来的代价生成的第一个Token会有明显的延迟（预处理Schema），且Schema中不能使用一些高级校验（如自定义正则表达式）。

@dataclass(init=False)classProviderStrategy(Generic[SchemaT]):schema:type[SchemaT]|dict[str,Any]schema_spec:_SchemaSpec[SchemaT]def__init__(self,schema:type[SchemaT]|dict[str,Any],*,strict:bool|None=None,)->Nonedefto_model_kwargs(self)->dict[str,Any]

3. AutoStrategy

如果LLM自身就具有结构化输出的能力，那么使用ProviderStrategy一般是更好的选择。倘若我们不清楚使用的LLM是否支持结构化输出，或者会随时切换LLM，我们可以使用AutoStrategy。它会自动检测当前LLM的能力，并选择最优的结构化输出路径。如果在调用create_agent函数时将response_format参数直接指定为Pydantic类型或者表示JSON Schema的字典，相当于选择了AutoStrategy。

classAutoStrategy(Generic[SchemaT]):schema:type[SchemaT]|dict[str,Any]def__init__(self,schema:type[SchemaT]|dict[str,Any],)->None

AutoStrategy背后的逻辑是：

• 优先选择ProviderStrategy：如果当前使用的模型（如OpenAI、Anthropic的最新版本）支持原生的结构化输出功能，AutoStrategy会直接利用LLM产生希望的结构化输出，这种方式通常最稳定、解析率最高；
• 回退至ToolStrategy：如果模型不支持原生结构化输出，但支持工具调用，它会将结构化模式转换为一个内部的隐形工具，引导模型通过调用工具的方式输出符合要求的结构化数据。

使用AutoStrategy能够带来如下的好处：

• 跨模型兼容性：开发者无需为OpenAI编写一套逻辑，再为本地模型（如Ollama运行的Llama）编写另一套逻辑。AutoStrategy屏蔽了不同模型供应商在结构化数据实现上的差异；
• 简化代码：你只需定义好Pydantic数据结构，直接传给response_format即可，系统会自动完成复杂的绑定工作；
• 动态支持：在中间件中，我们可以利用AutoStrategy根据运行时的上下文动态调整输出模式。