在大模型（LLM）应用开发中，输出解析（Output Parsing）和结构化（Structuring）是将模型生成的“自由文本”转化为程序可处理的“可靠数据”的关键环节。这不仅仅是格式转换，更是可靠性工程。

为什么需要结构化？

大模型本质上是概率性的文本生成器，直接输出往往存在以下问题：

• 格式不稳定：有时带 Markdown ( json )，有时不带；有时多一句“好的，这是结果…”。
• 类型不安全：数字可能变成字符串，列表可能变成文本描述。
• 逻辑幻觉：可能编造字段或遗漏关键信息。

结构化输出的目标

• 确定性：保证输出永远符合预定义的 Schema（如 JSON Schema, Pydantic Model）。
• 类型安全：直接在代码中获得 Typed Object（如 Python Class 实例）。
• 可组合性：结构化数据可以直接作为下一个 LLM 调用或传统函数的输入。

三种结构化输出方式

1、with_structured_output：

最高级封装。自动选择最佳策略（通常是 bind_tools 或原生 JSON Mode），直接返回 Pydantic 对象。（首选推荐）

from pydantic import BaseModel
from connect_llm import qw_llm

class User(BaseModel):
    name: str
    age: int

# 一行代码，自动处理所有底层细节
structured_llm = qw_llm.with_structured_output(User)

result = structured_llm.invoke("小明今年25岁")
# result 是 User 对象，不是字典，也不是字符串
print(result)

2、bind_tools：

底层原语。将 Pydantic 模型转换为“工具（Function/Tool）”定义绑定到模型上。模型会返回一个“工具调用请求”，你需要手动解析这个请求。（灵活控制）

from pydantic import Field, BaseModel

from connect_llm import qw_llm


class ResponseFormater(BaseModel):
    """
    返回结果结构类
    """
    answer: str = Field(description="对用户问题的回答")
    followup_question: str = Field(description="用户可能提出的后续问题")


runnable = qw_llm.bind_tools([ResponseFormater])
resp = runnable.invoke("细胞的动力源是什么？")
print(resp)

resp.pretty_print()

3、SimpleJsonOutputParser：

后处理解析。模型自由输出文本，解析器尝试用正则/JSON 库去“清洗”和“解析”文本。（兼容旧模型/兜底方案）

from langchain_core.output_parsers import SimpleJsonOutputParser
from langchain_core.prompts import ChatPromptTemplate

from connect_llm import qw_llm

prompt_template = ChatPromptTemplate.from_template(
    "{topic}"
    '你必须始终输出一个包含"answer"和"followup_question"键的 json 对象，其中"answer"代表：对用户问题的回答，"followup_question"代表：用户可能提出的后续问题'
)

chain = prompt_template | qw_llm | SimpleJsonOutputParser()
resp = chain.invoke({"topic": "细胞的动力源是什么？"})
print(resp)

完整项目源码：

• https://github.com/Tangugo/langchain_project#
• commit id: 22b545c6a