LangChain结构化输出与多轮对话实践指南-AI智能范式网

LangChain结构化输出与多轮对话实践指南

第三世界的妖孽·2026-08-19·阅读 23 GEO检测（免费）

LangChain结构化输出多轮对话

|难度：普通|阅读约 18 分钟

1. LangChain结构化输出与多轮对话初探

作为一名长期从事AI应用开发的工程师，我最近深入研究了LangChain框架中的结构化输出和多轮对话功能。这两个特性在实际业务场景中具有重要价值，能够显著提升大语言模型应用的可靠性和交互体验。

1.1 什么是结构化输出

结构化输出指的是让语言模型按照预定义的格式返回数据，而不是自由形式的文本。这种能力在以下场景特别有用：

从非结构化文本中提取结构化数据
构建需要严格输出格式的API接口
实现系统间的数据交换

在传统开发中，我们通常需要编写复杂的正则表达式或解析逻辑来处理模型输出。而LangChain提供的结构化输出功能，让我们能够以声明式的方式定义输出格式，大大简化了开发流程。

1.2 多轮对话的核心价值

多轮对话能力使语言模型能够维持上下文，进行连续的交互。与单次问答不同，多轮对话的特点是：

对话状态保持
上下文相关性
渐进式信息收集
交互式任务完成

在实际应用中，约60%的复杂任务需要通过多轮对话才能完成，这使得多轮对话支持成为构建实用AI助手的关键能力。

需要模型API调用？免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。

2. 实现结构化输出的技术方案

2.1 使用Pydantic模型定义结构

LangChain支持通过Pydantic模型来定义输出结构，这是我最推荐的方式。以下是一个完整示例：

python复制from typing import Optional
from pydantic import BaseModel, Field
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

# 定义输出结构
class ProductInfo(BaseModel):
    """商品信息"""
    name: str = Field(description="商品名称")
    price: float = Field(description="商品价格")
    category: str = Field(description="商品类别")
    in_stock: Optional[bool] = Field(default=None, description="库存状态")

# 创建LLM实例
llm = ChatOpenAI(model="gpt-3.5-turbo")

# 绑定结构化输出
structured_llm = llm.with_structured_output(ProductInfo)

# 创建提示模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个商品信息提取助手。从用户输入中提取商品信息。"),
    ("human", "{input}")
])

# 构建处理链
chain = prompt | structured_llm

# 调用示例
result = chain.invoke({"input": "最新款iPhone 15售价799美元，属于智能手机类别，目前有货"})
print(result)

这段代码会输出一个符合ProductInfo结构的对象，而不是普通文本。在实践中，我发现了几个关键点：

字段描述(description)非常重要，它会被合并到提示词中指导模型生成
Optional字段允许模型在无法确定值时返回None
类型注解会被严格校验，如果模型返回类型不匹配会抛出异常

2.2 使用JSON Schema的替代方案

当项目中没有使用Pydantic时，可以直接使用JSON Schema定义结构：

python复制json_schema = {
    "title": "ProductInfo",
    "type": "object",
    "properties": {
        "name": {"type": "string", "description": "商品名称"},
        "price": {"type": "number", "description": "商品价格"},
        "category": {"type": "string", "description": "商品类别"},
        "in_stock": {"type": "boolean", "description": "库存状态"}
    },
    "required": ["name", "price", "category"]
}

structured_llm = llm.with_structured_output(json_schema)

JSON Schema方式的优点是：

不需要引入Pydantic依赖
更适合动态生成结构的场景
与许多现有API规范兼容

缺点是缺少运行时类型检查和自动补全等IDE支持。

3. 多轮对话的实现技巧

3.1 对话状态管理

实现多轮对话的关键是维护对话状态。LangChain提供了多种方式来管理状态：

python复制from langchain_core.messages import AIMessage, HumanMessage
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是专业的购物助手。"),
    MessagesPlaceholder(variable_name="history"),
    ("human", "{input}")
])

chain = prompt | llm

# 模拟多轮对话
history = []

def chat_round(user_input):
    nonlocal history
    response = chain.invoke({
        "input": user_input,
        "history": history
    })
    history.extend([
        HumanMessage(content=user_input),
        AIMessage(content=response.content)
    ])
    return response

在实际项目中，我通常会将对话状态存储在数据库中，而不仅仅是内存中。对于高并发场景，Redis是个不错的选择。

3.2 对话流程控制

复杂的多轮对话往往需要引导用户按照特定流程提供信息。以下是实现流程控制的模式：

python复制from enum import Enum, auto

class DialogState(Enum):
    GREETING = auto()
    COLLECTING_REQUIREMENTS = auto()
    MAKING_RECOMMENDATIONS = auto()
    CLOSING = auto()

def handle_dialog(state, user_input):
    if state == DialogState.GREETING:
        response = "欢迎来到我们的商店！您想购买什么类型的商品？"
        next_state = DialogState.COLLECTING_REQUIREMENTS
    elif state == DialogState.COLLECTING_REQUIREMENTS:
        # 解析用户需求并存储
        response = f"好的，您想购买{user_input}。您的预算是多少？"
        next_state = DialogState.MAKING_RECOMMENDATIONS
    # 其他状态处理...
    return response, next_state

这种显式状态机模式虽然需要更多前期设计，但对于复杂业务流程来说更可靠。

4. 结构化输出与多轮对话的结合应用

4.1 表单填写场景

结合结构化输出和多轮对话，可以实现智能表单填写功能：

python复制class ContactForm(BaseModel):
    name: str = Field(description="用户全名")
    email: str = Field(description="有效的电子邮箱")
    phone: str = Field(description="联系电话")
    inquiry: str = Field(description="咨询内容")

def collect_form_info():
    form_data = {}
    fields = ContactForm.__fields__
    
    for field_name, field in fields.items():
        while True:
            prompt = f"请提供您的{field.field_info.description}:"
            user_input = input(prompt)
            
            try:
                # 验证单个字段
                validated = field.validate(user_input)
                form_data[field_name] = validated
                break
            except ValueError as e:
                print(f"输入无效: {e}")
    
    return ContactForm(**form_data)

这种渐进式表单填写方式比一次性填写所有字段的用户体验更好，特别是移动端场景。

4.2 复杂查询场景

对于需要多条件组合查询的场景，可以这样实现：

python复制class QueryConditions(BaseModel):
    location: str = Field(description="地点如城市名")
    min_price: float = Field(description="最低价格")
    max_price: float = Field(description="最高价格")
    amenities: List[str] = Field(description="设施要求")

def build_query_conditions():
    conditions = {}
    llm = ChatOpenAI(model="gpt-4")
    
    while True:
        user_input = input("请描述您的需求(或输入'完成'结束): ")
        if user_input.lower() == '完成':
            break
            
        # 提取结构化信息
        extracted = llm.with_structured_output(QueryConditions).invoke(
            f"从以下用户输入中提取查询条件: {user_input}"
        )
        
        # 合并条件
        for field, value in extracted.dict().items():
            if value is not None:
                conditions[field] = value
                
        print(f"当前条件: {conditions}")
    
    return QueryConditions(**conditions)

这种方式允许用户自然地分多次提供查询条件，系统逐步构建完整的查询参数。

5. 实战经验与问题排查

5.1 性能优化技巧

在使用结构化输出时，我总结出以下性能优化方法：

批量处理：对于多个独立的结构化提取任务，使用批量处理

python复制inputs = ["iPhone 15 799美元", "三星Galaxy 899美元"]
structured_llm.batch([{"input": x} for x in inputs])

流式输出：对于大型结构，启用流式处理

python复制for chunk in structured_llm.stream("长文本..."):
    process(chunk)

缓存：对频繁使用的结构定义进行缓存

5.2 常见问题与解决方案

问题1：模型返回的结构不符合预期

检查字段描述是否清晰
验证提示词中是否明确说明了格式要求
考虑添加少量示例

问题2：多轮对话中上下文丢失

确保对话历史被正确传递
检查消息顺序是否正确
对于长对话，考虑实现摘要机制

问题3：复杂结构解析失败

尝试分步解析复杂结构
对于可选字段，设置合理的默认值
使用include_raw=True获取原始输出进行调试

python复制try:
    result = structured_llm.invoke(input)
except Exception as e:
    print(f"解析失败: {e}")
    debug_result = structured_llm.with_config(include_raw=True).invoke(input)
    analyze(debug_result)

5.3 监控与评估

在生产环境中，我建议实施以下监控措施：

结构化输出合规率监控
多轮对话完成率跟踪
用户中途退出点分析
平均对话轮次统计

这些指标可以帮助持续优化对话体验。