LangChain 如何实现对结构化输出的控制？

1. 结构化输出的重要性

在生产环境中，AI 应用的输出往往需要符合特定的数据结构（如 JSON Schema、Pydantic Model），以便下游系统可靠消费。结构化输出确保 LLM 返回格式一致、类型正确、可直接序列化的结果。

2. 两种结构化输出策略

• ProviderStrategy（厂商原生策略）：优先使用模型提供商的原生结构化输出 API（如 OpenAI 的 JSON Mode）。效率最高，因为直接在模型层面约束输出格式，不消耗额外的工具调用 Token。适用于明确支持原生结构化输出的模型
• ToolStrategy（工具调用策略）：将结构化 Schema 转为虚拟工具，LLM 通过调用虚拟工具输出符合 Schema 的结果。兼容所有支持工具调用的模型，通用性最强。当模型不支持原生结构化输出或原生能力不可靠时使用

LangChain v1.x 中，create_agent 支持直接传入 Pydantic Model 作为 response_format 参数，框架会自动推断使用哪种策略：优先尝试 ProviderStrategy，失败则降级为 ToolStrategy。

3. Schema 支持类型

ToolStrategy 支持多种 Schema 定义方式：

• Pydantic BaseModel：带有字段验证的类型化模型，返回经过验证的 Pydantic 实例
• 数据类（Dataclass）：使用标准库 dataclass 定义的结构
• TypedDict：使用 TypedDict 定义的键值对结构
• JSON Schema：直接使用 JSON 模式规范字典
• 联合类型（Union）：多种模式选项，模型根据上下文选择最合适的

4. 错误处理机制

ToolStrategy 提供灵活的 handle_errors 配置：可以捕获所有错误并重试、使用自定义错误消息、仅捕获特定异常类型，或设置为 False 不进行重试直接抛出异常。这在生产环境中非常关键，因为 LLM 偶尔会输出不符合 Schema 的内容。