https://blog.csdn.net/brucexia/article/details/158845706

如果把普通大模型（LLM）的输出比作“一张便签”——只写着最终答案，那么LangGraph的输出更像“一份带流程的工作交接单”：不仅要写清当前任务的结果，还得告诉下一个环节“该谁接手、做什么”。

为什么会这样？因为LangGraph本质是个“团队协作框架”：整个工作流由多个“节点”（就像团队里的不同角色，比如“信息收集员”“分析员”“决策者”）组成，节点之间靠“图结构”（类似于团队分工流程图）连接，谁先做、谁后做、遇到特殊情况转交给谁，都有明确规则。这种情况下，单个节点的输出如果只是一句零散的话，下一个节点根本不知道该怎么接——就像市场部交了一份“客户好像喜欢红色”的便签，产品部既不知道这个结论怎么来的，也不知道接下来该设计红色包装还是红色广告。

因此，LangGraph的输出必须是“结构化的”，得同时干以下两件事。

• 传内容：把当前节点的核心成果说清楚（比如“客户偏好调研显示，30~40岁的女性更青睐粉色系，预算集中在200~500元”）。
• 控流程：明确告诉系统下一步该怎么走（比如“请转交给产品设计节点，基于此数据设计3款样品”，或者“信息不足，请返回用户调研节点补充询问预算范围”）。

这就像快递单：既要有“包裹里是什么（内容）”，也要有“下一站寄到哪（流程）”，缺了任何一个，整个链条都会卡住。这种结构化设计正是LangGraph能让多个节点“默契配合”、灵活应对复杂任务的关键——就像团队里的交接单写得越清楚，大家干活越顺畅，不容易出错。

那么，怎么让大模型输出这种“带流程的交接单”呢？主要有以下两种办法。

• 提示工程：提前跟大模型说清楚“交接单该怎么写”。例如给节点发个“工作指南”：你的输出必须包含两部分：①你分析出的客户需求；②下一步建议（选“转报价组”或“转产品组”），用“###”分隔开。
• 输出解析器+提示工程：给个“固定模板”，让大模型必须按模板填。例如强制要求输出格式是“{"结果":"...","下一步":"..."}”，再配合提示确保它不瞎写，就像给交接单印好表格，只让填指定位置。

我们目前可以将提示工程简单地理解为“提示词”，而对于输出解析器，则一般使用LangGraph中的结构化输出对其进行处理。本节将主要讨论其中的两种结构化输出：字符串String与结构化JSON形式。

3.4.1  LangGraph中的格式化输出1：StrOutputParser

在之前的工具绑定示例中，我们发现模型返回的结果包含content、tool_calls、response_metadata等大量冗余元数据，直接使用时需要手动提取核心信息，不仅烦琐，还容易出错。而StrOutputParser作为LangChain中最基础且常用的输出解析器，其核心作用是过滤冗余元数据，直接提取模型返回的纯文本内容，让输出结果更简洁、更易于后续处理，完美适配LangGraph工作流中“节点间数据传递”的需求。

StrOutputParser的设计逻辑非常简单：它会自动解析大模型的返回对象，提取其中的content字段（自然语言文本），忽略tool_calls、response_metadata等额外信息，最终返回一个纯净的字符串。

它的主要适用场景包括：

• 模型直接生成自然语言回答（无须工具调用）时，快速获取纯文本结果。
• 工具调用后，模型整理结果生成回答时，过滤元数据只保留最终回复。
• LangGraph节点间传递文本数据时，简化数据格式，避免冗余信息干扰。

下面是一个使用StrOutputParser的示例：

import bigmodel

from langchain_core.prompts import PromptTemplate

from datetime import datetime

system_prompt=PromptTemplate(

    input_variables=["user_query","datatime_now"],

    template="你是小华，是一个有用的智能助手，帮助解决用户的问题{user_query},并根据注意{datatime_now}"

).partial(datatime_now=datetime.now())

from langchain_core.output_parsers import StrOutputParser

llm=system_prompt|bigmodel.llm | StrOutputParser()

print(llm.invoke("你是谁？"))

输出结果如下：

你好！我是小华，一个乐于助人的智能助手。我的目标是帮助你解答问题、提供信息或协助完成各种任务。

根据你提供的注意时间：2025年11月10日16:27:42.100315，目前系统时间已设定为该时刻（可能是用于参考或日程安排）。如果你有任何问题、需要提醒、计算、写作帮助，或者其他支持，请随时告诉我！

可以看到，此时根据我们的要求，自动输出了文本内容，并且剔除了其中的干扰项。

3.4.2  LangGraph中的格式化输出2：JSON格式

除了前面我们需要完成的文本输出外，对于输出格式，我们还可以要求其输出特定的JSON格式，如下所示：

import bigmodel

from langchain_core.prompts import PromptTemplate

from datetime import datetime

system_prompt=PromptTemplate(

    input_variables=["user_query","datatime_now"],

    template="你是小华，是一个有用的智能助手，帮助解决用户的问题{user_query},并根据注意{datatime_now}时间。"

).partial(datatime_now=datetime.now())

from langchain.tools import tool

@tool

def get_weather(loc:str,now_data:datetime):

    """

    用于查询指定地点在指定日期的天气情况。

    参数：

    loc:地点名称（字符串类型，例如"上海"）

    now_data:查询的日期（datetime类型，包含年/月/日）

    返回：包含日期、地点和天气详情的字符串

    """

    return f"今天的日期是{now_data},查询到{loc}的天气晴朗，风和日丽，温度为21摄氏度"

tools=[get_weather]

llm_withtool=system_prompt | bigmodel.llm.bind_tools([get_weather])

#解析工具调用指令

tool_calls=llm_withtool.invoke("上海的天气是什么").tool_calls

tools_by_name={tool.name:toolfortoolintools}

tool_results=[]

fortool_callintool_calls:

tools_call_name=tool_call["name"]

tools_call_args=tool_call["args"]

tool_result=tools_by_name[tools_call_name].invoke(tools_call_args)

tool_results.append(tool_result)

#将工具结果回传给模型，生成最终回答

final_prompt=f"用户问的是上海的天气，工具返回结果：{tool_results}，请以JSON格式回答。"

final_answer=bigmodel.llm.invoke(final_prompt).content

print(final_answer)

输出结果如下：

{

"date":"2025-11-10",

"time":"16:35:25.701372",

"location":"上海",

"weather":"晴朗",

"description":"风和日丽",

"temperature":21,

"unit":"摄氏度"

}

可以看到，这里对于final_prompt的设计，通过明确指令“请以JSON格式回答”，引导模型将工具返回的文本结果转换为键值对格式的结构化数据。

3.4.3  LangGraph中的格式化输出3：可控的JSON格式

以上示例演示了JSON格式的输出，可以看到我们将结果拆分成一个特定的JSON格式，虽然这样可以解决输出结果要求限定在特定格式下，但是对于输出结果的要求，目前是出于不可控的形式。

以下示例演示对输出结果进行控制，并限制输出的JSON值的内容：

from pydantic import BaseModel,Field

from datetime import datetime

class WeatherReport(BaseModel):

    """

    结构化的天气报告模型，用于标准化工具返回的天气信息

    包含天气查询的核心数据字段，便于后续解析、存储或跨系统传递

    """

    date:datetime=Field(

        default_factory=lambda:datetime.now().strftime("%Y年.%m月.%d号"),#格式化当前日期为Y.M.D

        description="天气查询的日期（包含年/月/日/时/分/秒），默认使用当前时间"

    )

    location:str=Field(

        default="",

        description="查询的地点名称（如城市名、区域名等，字符串类型）"

    )

    temperature:float=Field(

    default=0.0,

    description="查询地点的温度，单位为摄氏度（数值类型，支持小数）"

)

这段代码基于Pydantic库定义了一个名为WeatherReport的结构化数据模型，其核心用途是标准化天气查询结果的数据格式，避免信息混乱。代码开头先导入了必要的依赖：BaseModel是Pydantic实现数据建模和验证的基础类，Field用于配置字段的元数据，datetime则用于处理日期时间相关逻辑。WeatherReport类继承自BaseModel后，自动获得了Pydantic的类型校验、字段约束等核心能力，而类内的文档字符串清晰说明了模型的作用——统一天气信息格式，方便后续的解析、存储或跨系统传递，解决了纯文本结果难以进行机器处理的问题。

模型内部定义了三个核心字段，分别对应天气报告的关键信息：date字段标注为datetime类型，用于存储查询日期，通过default_factory指定默认值为当前时间格式化后的字符串（格式为“年.月.号”），但需注意，此处存在类型不匹配的潜在问题（strftime返回字符串，与datetime类型标注冲突）；location字段为字符串类型，默认值为空字符串，用于存储查询的地点名称（如城市名）；temperature字段为浮点型，默认值为0.0，用于存储以摄氏度为单位的温度，支持小数精度。每个字段通过description参数补充了详细说明，既方便开发者理解，也能辅助后续与大模型交互时明确数据要求，确保输入输出的一致性。

可控JSON格式的使用示例如下：

import bigmodel

from langchain_core.prompts import PromptTemplate

from datetime import datetime

system_prompt=PromptTemplate(

    input_variables=["user_query","datatime_now"],

    template="你是小华，是一个有用的智能助手，帮助解决用户的问题{user_query},并根据注意{datatime_now}时间。"

).partial(datatime_now=datetime.now())

from langchain.tools import tool

@tool

def get_weather(loc:str,now_data:datetime):

    """

    用于查询指定地点在指定日期的天气情况。

    参数：

    loc:地点名称（字符串类型，例如"上海"）

    now_data:查询的日期（datetime类型，包含年/月/日）

    返回：包含日期、地点和天气详情的字符串

    """

    return f"今天的日期是{now_data},查询到{loc}的天气晴朗，风和日丽，温度为21摄氏度"

tools=[get_weather]

llm_withtool=system_prompt|bigmodel.llm.bind_tools([get_weather])

#解析工具调用指令

tool_calls=llm_withtool.invoke("上海的天气是什么").tool_calls

tools_by_name={tool.name:toolfortoolintools}

tool_results=[]

fortool_callintool_calls:

tools_call_name=tool_call["name"]

tools_call_args=tool_call["args"]

tool_result=tools_by_name[tools_call_name].invoke(tools_call_args)

tool_results.append(tool_result)

from pydantic import BaseModel,Field

from datetime import datetime

class WeatherReport(BaseModel):

    """

    结构化的天气报告模型，用于标准化工具返回的天气信息

    包含天气查询的核心数据字段，便于后续解析、存储或跨系统传递

    """

    date:datetime=Field(

        default_factory=lambda:datetime.now().strftime("%Y年.%m月.%d号"),#格式化当前日期为Y.M.D

        description="天气查询的日期（包含年/月/日/时/分/秒），默认使用当前时间"

    )

    location:str=Field(

        default="",

        description="查询的地点名称（如城市名、区域名等，字符串类型）"

    )

    temperature:float=Field(

        default=0.0,

        description="查询地点的温度，单位为摄氏度（数值类型，支持小数）"

    )

#将工具结果回传给模型，生成最终回答

final_prompt=f"用户问的是上海的天气，工具返回结果：{tool_results}，请以JSON格式回答。"

final_answer=bigmodel.llm.with_structured_output(WeatherReport).invoke(final_prompt)

print(final_answer)

输出结果如下：

date=datetime.datetime(2025,11,10,0,0)location='上海'temperature=21.0

从输出结果可以看到，通过with_structured_output(WeatherReport)方法，我们成功实现了“可控且标准化的JSON格式输出”——最终返回的不再是自由格式的JSON字符串，而是WeatherReport类的实例化对象，字段值严格匹配模型定义的类型和含义：date为datetime类型（自动解析为2025年11月10日）、location为字符串类型（准确提取“上海”）、temperature为浮点类型（正确转换为21.0），完全避免了纯提示词要求“JSON格式”时可能出现的字段缺失、类型混乱等问题。

这种“Pydantic模型+with_structured_output”的组合是LangChain中实现可控JSON输出的核心方案，其核心逻辑是通过Pydantic模型定义“数据契约”，再让大模型按照契约生成结构化数据。具体来说，with_structured_output(WeatherReport)会自动将WeatherReport的字段定义、类型约束和描述转换为大模型能理解的提示指令，无须手动编写“包含哪些字段、类型是什么”的烦琐提示；同时，大模型返回结果后，LangChain会自动进行类型校验和转换，比如工具返回的温度是文本“21摄氏度”，会被自动提取数值并转为float类型，日期字符串会被解析为datetime对象，最终封装成WeatherReport实例。这种方式不仅让输出格式完全可控，还省去了手动解析JSON字符串、校验字段类型的步骤，后续可直接通过final_answer.location、final_answer.temperature等属性快速获取关键数据，极大地简化了代码逻辑。

在实际应用中，这种可控JSON格式尤其适合需要严格数据规范的场景，比如将天气报告存入数据库时，可直接通过final_answer.model_dump()将实例转换为标准字典；跨系统传递数据时，通过final_answer.model_dump_json()生成合规JSON字符串，无须担心格式不兼容；在LangGraph工作流中，WeatherReport实例可直接作为节点间传递的状态数据，后续节点能精准提取字段进行二次决策（如根据temperature判断是否推荐户外活动）。相比单纯依赖提示词要求JSON格式，这种方案的稳定性和可维护性大幅提升，是在LangGraph中进行结构化数据处理的首选方式。