langchain agent结构化输出

一.背景

LangChain Agent 作为大模型驱动的自主决策智能体，核心价值在于通过工具调用与逻辑推理完成复杂任务，但原生 Agent 的输出多为非结构化自然语言文本 —— 这种 “自由文本” 形式在企业级应用中，难以满足数据存储、系统集成、自动化流转的核心需求。“结构化输出” 能力通过定义标准化数据格式（如 JSON、CSV、指定字段结构），让 Agent 输出具备固定结构、机器可解析的结果，是 LangChain Agent 从 “人机交互工具” 升级为 “系统协同组件” 的关键，其需求源于非结构化输出在业务落地中的核心痛点，也是 Agent 适配企业级 “数据标准化、流程自动化、跨系统协作” 诉求的必要支撑。

1.LangChain Agent 非结构化输出的核心痛点

LangChain 原生 Agent 未强制约束输出格式，默认按自然语言生成结果，这种非结构化输出在实际业务场景中暴露诸多致命问题，严重阻碍 Agent 的产业化落地：

1. 机器无法直接解析，难以集成到业务系统

企业级应用中，Agent 输出结果常需对接后续业务系统（如数据库存储、ERP 系统、工作流引擎），这些系统要求输入数据具备固定格式（如 JSON 字段、数据库表结构）。非结构化文本无法被系统直接解析：

• 例如，Agent 完成 “客户订单查询” 后，输出 “客户张三的订单号为 OD20250101001，下单时间是 2025-01-01，订单金额 1999 元”，业务系统无法自动提取 “订单号”“下单时间” 等关键字段，需人工录入或额外开发复杂的文本解析逻辑，效率极低；
• 若 Agent 输出格式不固定（如有时先说订单号，有时先说金额），解析逻辑需不断适配，维护成本剧增，甚至导致解析失败。

2. 数据难以标准化存储与检索

非结构化输出的文本缺乏统一格式，无法直接存入结构化存储介质（如数据库表、数据仓库），也难以实现精准检索：

• 例如，多个 Agent 处理不同客户的售后工单，输出结果为自由文本，无法按 “工单类型”“处理状态”“客户 ID” 等维度分类存储，后续统计 “月度售后工单量”“高频问题类型” 时，需手动整理数据，无法实现自动化分析；
• 检索特定条件的结果时（如 “查询 2025 年 1 月金额大于 1000 元的订单”），非结构化文本无法支持精准筛选，只能通过模糊匹配，结果准确性差。

3. 多步骤 / 多 Agent 协作时，信息传递低效

复杂业务常需多个 Agent 协同或单 Agent 多步骤执行，非结构化输出导致信息传递时需重复解析与提取，效率低下且易出错：

• 例如，“订单审核→财务结算→物流发货” 的多 Agent 协作流程中，订单审核 Agent 输出非结构化审核结果，财务结算 Agent 需先解析文本提取 “订单号”“应付金额” 等信息，再执行结算操作，增加协作延迟；
• 若文本中存在歧义（如 “金额 1999” 未说明是人民币还是美元），后续 Agent 可能误解信息，导致协作失败。

4. 结果准确性难以校验，容错率低

非结构化输出缺乏明确的字段定义与格式约束，Agent 可能遗漏关键信息或输出错误格式，且难以被自动校验：

• 例如，Agent 生成 “用户信息” 时，遗漏 “手机号” 字段或手机号格式错误（如少一位数字），非结构化文本中难以快速识别该问题，可能导致后续业务（如短信通知）失败；
• 企业级场景中，需人工逐一校验输出结果的完整性与准确性，增加人力成本，且无法实现实时校验。

5. 无法满足合规与审计要求

金融、政企等行业对业务数据的输出格式、字段完整性有严格的合规要求，非结构化输出无法提供明确的字段追溯与格式证明：

• 例如，金融行业的贷款审批 Agent 输出非结构化审批结果，无法明确 “审批结论”“风险评分”“审批人” 等必填字段，合规审计时无法提供有效证据，可能面临监管处罚；
• 非结构化输出的信息缺乏固定维度，难以实现数据溯源，无法追踪 “某字段信息的生成依据”，不符合合规要求。

2.LangChain Agent 结构化输出的核心价值

LangChain Agent 结构化输出，本质是通过 “格式定义 + Prompt 引导 + 结果校验” 的闭环机制，让 Agent 严格按照预设的标准化格式（如 JSON Schema、固定字段结构）生成结果，确保输出具备 “机器可解析、数据可存储、协作可复用、合规可追溯” 的特性。这一能力解决了非结构化输出的痛点，核心价值体现在：

1. 无缝集成业务系统，实现自动化流转

结构化输出（如 JSON、CSV）可被业务系统直接解析，无需额外开发复杂的文本提取逻辑，实现 Agent 与现有系统的无缝对接：

• 例如，订单查询 Agent 按预设 JSON 格式输出{"customer_name": "张三", "order_id": "OD20250101001", "order_time": "2025-01-01", "amount": 1999}，业务系统可直接读取字段值存入数据库，或触发后续的订单处理流程，实现端到端自动化；
• 标准化格式让 Agent 成为业务系统的 “插件式组件”，大幅降低系统集成成本。

2. 支持结构化存储与精准检索，提升数据价值

结构化输出的字段化数据可直接存入数据库、数据仓库等结构化存储介质，支持多维度筛选与精准检索：

• 例如，售后工单 Agent 输出包含 “ticket_id”“customer_id”“problem_type”“handle_status” 等字段的结构化数据，可按 “problem_type” 统计高频问题，按 “handle_status” 筛选未处理工单，实现自动化数据分析；
• 检索时可通过字段精准匹配（如 “查询 order_id=OD20250101001 的订单”），大幅提升检索效率与准确性。

3. 优化多步骤 / 多 Agent 协作，降低沟通成本

结构化输出的字段化信息可被其他 Agent 或步骤直接复用，无需重复解析，提升协作效率与准确性：

• 例如，多 Agent 协作流程中，前序 Agent 输出的结构化数据可直接作为后序 Agent 的输入参数（如财务结算 Agent 直接读取 “order_id”“amount” 字段执行结算），避免信息传递中的歧义与错误；
• 标准化格式让不同 Agent 之间的协作 “有章可循”，降低协作逻辑的复杂度，支撑更复杂的业务流程。

4. 实现结果自动校验，提升输出可靠性

结构化输出可通过格式校验工具（如 JSON Schema 校验、字段类型校验）自动检测结果的完整性与准确性：

• 例如，预设 JSON Schema 要求 “手机号” 字段为 11 位数字，若 Agent 输出错误格式，校验工具可实时拦截并触发 Agent 修正（如重新调用工具获取正确手机号），无需人工干预；
• 校验机制确保输出数据的字段完整、格式正确，大幅提升 Agent 结果的可靠性，降低后续业务风险。

5. 满足合规与审计要求，降低合规风险

结构化输出的固定字段与格式可明确记录业务所需的关键信息，满足合规审计对数据追溯与完整性的要求：

• 例如，贷款审批 Agent 按结构化格式输出{"approval_result": "通过", "risk_score": 85, "approver": "李四", "approval_time": "2025-01-02"}，合规审计时可清晰追溯审批的关键信息与依据，符合行业监管要求；
• 结构化数据便于日志记录与审计跟踪，可完整保留输出结果的生成过程，满足合规追溯需求。

3.LangChain Agent 结构化输出的典型应用场景

1. 企业级订单 / 工单管理系统：Agent 处理订单查询、工单创建等任务时，结构化输出订单号、工单状态等字段，直接对接数据库存储与业务流程引擎，实现自动化管理。
2. 金融数据报送与审批：金融 Agent 生成贷款审批结果、财务报表数据时，按监管要求的结构化格式输出，满足合规报送与审计需求。
3. 多智能体协作流程：如 “数据采集→分析→报告生成” 的多 Agent 协作，前序 Agent 结构化输出数据，后序 Agent 直接复用字段，提升协作效率。
4. API 接口响应生成：Agent 作为 API 后端，结构化输出 JSON 格式结果，直接对接前端系统，支撑 Web/APP 应用的开发。
5. 自动化数据分析与报表：Agent 分析业务数据后，按固定字段（如指标名称、数值、时间维度）结构化输出，自动生成标准化报表存入数据仓库。

4.关键优势总结

LangChain Agent 结构化输出的核心价值，是将 Agent 输出从 “不可控的自然语言” 转化为 “可控的结构化数据”，解决了非结构化输出在系统集成、数据存储、协作效率、合规性上的痛点。它让 Agent 不仅能与用户交互，更能无缝融入企业现有 IT 架构，成为自动化业务流程的核心组件，大幅降低 Agent 产业化落地的成本与风险。这一能力是 LangChain Agent 从 “演示级工具” 升级为 “生产级系统” 的关键标志，也是支撑 Agent 在企业中规模化应用的核心技术支撑。

综上，LangChain Agent 结构化输出的需求，源于企业对 Agent 应用 “标准化、自动化、集成化” 的核心诉求：解决了非结构化输出的诸多落地障碍，支撑订单管理、金融合规、多 Agent 协作等核心业务场景，为 LangChain Agent 的产业化落地提供了关键保障。

二.具体实现

1.引入依赖

from langchain.agents import create_agent import sys import io import os from pydantic import BaseModel from langchain.agents.structured_output import ToolStrategy

2.定义大模型参数

if sys.stdout.encoding != 'utf-8': sys.stdout.reconfigure(encoding='utf-8') if sys.stderr.encoding != 'utf-8': sys.stderr.reconfigure(encoding='utf-8') os.environ['PYTHONIOENCODING'] = 'utf-8' os.environ["OPENAI_API_BASE"] = "xxxxx" os.environ["OPENAI_API_KEY"] = "xxxxxx"

3.定义格式化输出类

class HumunInfo(BaseModel): name: str email: str phone: str gender: str nation: str height: str

4.定义agent

agent = create_agent( model="gpt-4.1-2025-04-14", response_format=ToolStrategy(HumunInfo) )

5.执行agent

result = agent.invoke({ "messages": [{"role": "user", "content": "我的名字叫做John Doe,我的邮箱是john@example.com,我的电话是(555) 123-4567，我的性别男，民族是汉族，身高1.8m"}] }) print(result["structured_response"])

结果如下：