🎯 课程主题

掌握 LangChain 中 Pydantic 模式的基本使用：定义 BaseModel、绑定模型、调用并提取结构化字段。

📝 核心知识点

1. Pydantic 数据模型定义

  • 概念说明：所有结构化输出的数据模型都必须继承自 BaseModel，使用类型提示定义字段。
  • 关键细节：
    • 字段类型丰富：str、int、float、list、Optional 等
    • 通过 Field(description="...") 提供字段描述和默认值
    • 与上一章 Tools 中 args_schema 的设置方式类似

2. 绑定模型与调用

  • 核心方法：model.with_structured_output(Person) 将 Pydantic 模型与大模型绑定，返回一个新的"结构化大模型"
  • 调用方式：通过绑定后的模型调用 invoke()，结果自动符合定义的格式
  • 结果类型：返回的是 Pydantic 类的实例，可以直接通过 . 访问字段（如 result.name、result.age）

3. Pydantic 作为首选模式的原因

  • 运行时强制类型校验：如果模型返回的字段与定义不匹配（如少字段、类型错），会直接抛出异常
  • 其他三种模式（TypedDict、JSON Schema、DataClass）返回的是字典，不会做强制校验

🏗️ 架构与工作流

💻 代码实战

示例一：人物信息提取

from pydantic import BaseModel, Field

class Person(BaseModel):
    """人物的信息"""
    name: str = Field(description="姓名")
    age: int = Field(description="年龄")
    occupation: str = Field(description="职业")

structured_model = model.with_structured_output(Person)
result = structured_model.invoke("张三是一名30岁的软件工程师")

print(result)          # Person 类型实例
print(result.name)     # 张三
print(result.age)      # 30
print(result.occupation)  # 软件工程师

示例二：电影信息提取

class Movie(BaseModel):
    """电影的详细信息"""
    title: str = Field(description="电影标题")
    year: int = Field(description="发行的年份")
    director: str = Field(description="电影的导演")
    rating: float = Field(description="电影的评分，满分10分")

structured_model = model.with_structured_output(Movie)
result = structured_model.invoke("给出电影《盗梦空间》的信息")

print(result)  # Movie 类型实例

示例三：文本情感分析

class SentimentResult(BaseModel):
    """情感分析的结果"""
    sentiment: str = Field(description="情感倾向：positive/negative/neutral")
    confidence: float = Field(description="置信度")
    keywords: list[str] = Field(description="关键词列表")

text = "这个课程的内容很详实，学到了很多知识，强烈推荐"
structured_model = model.with_structured_output(SentimentResult)
result = structured_model.invoke(text)

print(result.sentiment)   # positive
print(result.confidence)  # 0.98
print(result.keywords)    # ['详实', '推荐', ...]

⚠️ 常见问题与避坑指南

  • Pydantic 是唯一返回类实例的模式，类型不匹配时会抛异常，适合对数据质量要求严格的场景
  • 字段 description 很重要：它会被转换成 JSON Schema 传给大模型，直接影响输出质量
  • with_structured_output 返回的是新模型对象，原 model 不变

💡 个人总结与延伸

Pydantic 的基本使用流程非常简洁：定义类 → 绑定 → 调用。关键在于 Field(description=...) 的编写质量，它替代了传统提示词中对输出格式的冗长描述。建议在实际项目中始终为每个字段写好清晰的 description，这会显著提升大模型对输出格式的遵从度。

最近更新:
Contributors: yangwenguang