结构化输出（Structured Output）是指让大语言模型（LLM）以预定义格式返回响应，而不是自由文本。这通常包括 JSON、XML 或其他特定的数据结构形式。

---

什么是结构化输出？

传统上，LLMs 返回的是自然语言字符串。但在许多应用场景下，开发者需要明确且易于解析的结果数据——例如 API 接口参数提取、表单自动填充、数据库操作指令生成等。为此引入「结构化输出」概念：

特点：

1. 类型安全：输出遵循指定 schema。
2. 机器友好：便于后续程序处理和集成。
3. 一致性保障：减少因措辞变化带来的不确定性影响。

常见用途场景有：

• 表格数据分析结果导出为 CSV/JSON 对象
• 用户意图识别后的实体抽取（人名、日期）
• 多选项卡 UI 自动生成配置项

---

Spring AI 是怎么实现结构化输出的？

Spring AI 利用了底层 LLM 提供商支持的功能调用来达成这一目标，并封装成统一接口方便使用。

关键机制概述

1. Schema 定义方式

借助 OpenAPI 规范或其他描述语言来约束期望输出形态。比如你可以定义一个 POJO 类代表所需对象结构：

public class CustomerInfo {
    private String name;
    private int age;
    private LocalDate registrationDate;

    // Getters & Setters...
}

然后告诉 Spring AI：“请按照这个类的样子给我回应”。

2. 函数回调绑定(Function Calling)

主流服务商如 Azure OpenAI / Mistral AI 支持通过 functions 参数注入外部方法签名列表，引导模型按需触发这些函数并携带对应实参作答。

Spring AI 将其包装成了高层抽象 —— FunctionCallbackContext 及配套注解体系。

示例代码片段展示如下：

@FunctionCallback(name = "extractCustomerData")
public ResponseEntity<CustomerInfo> extractCustomerData(@RequestBody Map<String, Object> payload) {
    // 解析传入内容转换为目标对象实例
    CustomerInfo info = objectMapper.convertValue(payload, CustomerInfo.class);
    return ResponseEntity.ok(info);
}

接着注册进客户端设置里：

ChatClient client = ChatClient.builder()
                              .defaultFunctions("extractCustomerData") 
                              .build();

这样每次提问涉及客户资料采集时都会尝试激活该功能回调。

3. 输出验证与映射

框架内部还会做一层校验确保收到的回答确实符合预期契约要求后再交付业务层消费。

若失败则抛异常提醒修正 prompt 设计或者微调采样温度系数(Temperature)控制随机程度。

---

工作流程示意 (Mermaid)

总结来说，Spring AI 主要是靠两大支柱支撑起了完整的 Structured Output 生态圈：

✅ 明确定义输入输出边界(Schema-on-read/write)
✅ 引擎级联动函数式编程拓展(Function Calling Bridge)

两者协同作用使得原本模糊不清的大模型黑盒变得高度可控可预测。