🎯 课程主题

图解 Pydantic 结构化输出模式的底层工作流程：从 Pydantic 模型定义到最终实例化的完整链路。

📝 核心知识点

1. Pydantic 模型 → JSON Schema 转换

• 概念说明：LangChain 调用 Pydantic 底层的 model_json_schema() 方法，将 Pydantic 模型自动转换为标准的 JSON Schema 格式。
• 关键细节：转换后的 JSON Schema 包含了字段名、类型、描述信息、默认值等全部元数据，是后续与大模型交互的基础。

2. JSON Schema 传递给大模型

• 概念说明：转化后的 JSON Schema 作为 Function Calling 工具的参数 Schema，随 API 请求一起发送给大模型。
• 关键细节：
  • 这是在 with_structured_output() 方法执行时完成的
  • 本质复用了上一章讲到的 Function Calling 机制
  • 现代模型（OpenAI、Anthropic、DeepSeek、Gemini 等）普遍支持此方式

3. 大模型按 Schema 生成

• 概念说明：大模型在生成回复时严格遵循 JSON Schema 的格式约束，从底层确保输出不走样。
• 关键细节：模型的原始输出是字符串类型。

4. 字符串 → 字典 → Pydantic 实例

• 流程：模型返回的 JSON 字符串 → Python 字典 → Pydantic 实例
• 校验环节：
  • 类型检查
  • 字段数量检查
  • 约束条件检查
• 失败处理：若转换失败（校验不通过），LangChain 底层会触发重试机制，或直接抛出异常

5. 最终实例的使用

• 校验通过后得到 Pydantic 类实例，可直接通过 . 操作符访问字段

🏗️ 架构与工作流

💻 代码实战

本节课以理论讲解为主，无代码实战。

⚠️ 常见问题与避坑指南

• Pydantic 是唯一有"重试机制"的模式：校验失败时 LangChain 会自动重新请求大模型，其他三种模式没有此能力
• 原始输出是字符串：大模型本质上输出的是文本，所有格式化都发生在后处理阶段
• JSON Schema 的生成是自动的：无需手动编写，由 Pydantic 的元数据自动完成

💡 个人总结与延伸

这个流程图揭示了结构化输出的完整链路：Pydantic → JSON Schema → Function Calling → 大模型生成 → 解析验证。理解这个流程有助于在调试时定位问题——如果输出不符合预期，可以从"Schema 是否正确生成"、"模型是否遵循了 Schema"、"校验是否过于严格"三个环节排查。Pydantic 模式特有的重试机制也是其他三种模式不具备的，这在生产环境中对数据质量提供了额外保障。