LangChain AI应用开发框架的使用(3) - 聊天模型的绑定，聊天模型的结构化输出及使用场景-开发者社区

一、聊天模型的绑定

绑定工具

bind_tools() 方法定义

工具调用

强制模型调用工具

工具属性

将工具输出传递给聊天模型

二、LangChain 提供的工具

TavilySearch

三、聊天模型 -- 结构化输出

with_structured_output()

with_structured_output() 方法定义

返回 Pydantic 对象

返回 TypedDict

返回 JSON

四、选择输出格式

五、实用场景

场景 1：作为信息提取器

场景 2：使用 “少样本提示” 来增强信息提取能力

场景 3：与工具结合使用

六、总结

一、聊天模型的绑定

上篇文章我们讲了聊天模型的定义、部署、创建与调用，下面我们接着来看聊天模型的绑定。

绑定工具

为了实际将这些工具绑定到聊天模型，可以使用聊天模型的.bind_tools()方法。

bind_tools() 方法定义

请求参数：
tools：绑定到此聊天模型的工具定义列表。支持的类型为：字典、pydantic.BaseModel 类、Python 函数和 BaseTool（如@tool装饰器创建的类）。
tool_choice（默认空）：要求模型调用哪个工具。可以设置为：
形式为 <<tool_name>> 的 str：调用 <tool_name> 工具。
'auto'：自动选择工具（包括无工具）。
'none'：不调用工具。
'any' 或 'required' 或 True：强制调用至少一个工具。
False 或 None：无效果，默认 OpenAI 的行为。
strict（默认空）：
如果为 True，则保证模型输出与工具定义中提供的 JSON Schema 完全匹配。输入也将根据提供的 Schema 进行验证。
如果为 False，则不会验证输入，也不会验证模型输出。
如果为 None，则不会将 strict 参数传递给模型。
parallel_tool_calls：默认为 None，允许并行工具使用。设置为 False 以禁用并行工具。
kwargs(Any)：任何附加参数都直接传递给 bind()。
返回值：
返回一个 Runnable 实例。
该实例支持多种格式输入：
原始提示 PromptValue
字符串："上海天气如何？"
消息或消息列表：[HumanMessage(content="...")]
该实例的输出：
包含工具调用信息的 AIMessage

工具调用

通过 .bind_tools() 方法我们可知，它返回了一个 Runnable 实例，因此我们可以使用该 Runnable 实例，调用 .invoke() 方法，完成工具调用。示例如下：

输出结果（AIMessage）：

输出说明：
AIMessage：来自 AI 的消息。从聊天模型返回，作为对提示（输入）的响应。
content：消息的内容。
additional_kwargs：与消息关联的其他有效负载数据。对于来自 AI 的消息，可能包括模型提供程序编码的工具调用。
response_metadata：响应元数据。例如：响应标头、logprobs、令牌计数、模型名称。

从输出结果看来，AI 给出的响应是进行工具的调用！

工具调用的一个关键原则是，模型根据输入的相关性决定何时使用工具。模型并不总是需要调用工具。例如，给定一个不相关的输入，模型不会调用该工具。

强制模型调用工具

当然我们也可以让模型强制调用工具，那就需要在绑定工具时，设置 tool_choice="any"，表示强制调用至少一个工具。示例如下：

工具属性

现在我们知道，输出结果是一个 AIMessage。但是如果调用了工具，则 result 将具有一个 tool_calls 属性。此属性包括执行该工具所需的一切，包括工具名称和输入参数，示例如下：

输出结果：

将工具输出传递给聊天模型

到这里可以发现，我们仅仅只是成功调用了工具，但是聊天模型并没有给我们返回我们真正需要的答案。此时就需要：

将工具输出传递给聊天模型，包括HumanMessage、AIMessage（工具调用）、ToolMessage。
聊天模型根据以上消息输入，将最终结果AIMessage返回。

为什么要发 ToolMessage 呢？之前我们讲过，聊天模型通常不是接受单个字符串作为输入，而是接受聊天消息（xxxMessage）列表，因此在这里我们需要将工具的返回，构造成 ToolMessage，再传输给聊天模型！

方便的是，如果我们使用 @tool 装饰器创建的工具，使用 tool.invoke(tool_calls)，将自动返回一个 ToolMessage。完整示例如下：

从流程与代码中可以看到，实际上我们调用了两次聊天模型：
第一次：仅将【HumanMessage】发送给聊天模型进行处理，结果返回了【包含工具调用的 AIMessage】，并没有返回我们想要的结果。然后我们执行工具，得到 ToolMes sage。
第二次：将【HumanMessage + AIMessage + ToolMessage】消息记录发送给聊天模型进行处理，结果返回了【包含结果的 AIMessage】。

二、LangChain 提供的工具

工具也不是全部都需要我们自己手搓，其实LangChain 官方也已经给我们提供了很多现成的工具 (Tool) 和工具包 (Toolkit)。写好的工具一般都是为了使用 LangChain 中集成的三方组件或工具而创造的，有搜索、数据库、网页浏览器等相关的工具。

LangChain 中的工具实际上是继承了 BaseTool 与 BaseToolkit。我们可以从下载的 LangChain 包的 Lib 中查看，全局搜索 BaseTool 和 BaseToolkit。

这里展示的全部是不同功能的现成的工具，我们可以直接使用它们！找到相关的类名称，去官网 API Reference 全局搜索，即可获取工具的详细说明与用法。

下面我们简单看一个搜索工具类。

TavilySearch

TavilySearch 类可以支持我们进行搜索，Tavily 是一个专门为 AI 设计的搜索引擎，专为智能体检索与推理需求量身打造的工具。

Tavily 不仅提供了高度可编程的 API 接口，还具备显著优于传统搜索引擎的上下文相关性理解能力。能够以结构化、可解析的形式返回搜索结果，便于将检索到的信息直接用于后续的推理、生成或任务执行流程。

Tavily 官网：Tavily，需魔法使用。登录完成后，新建 API Keys。

点击左侧 API Playground，可以使用刚申请的 API Keys，进行搜索测试。这会返回根据查询内容得到的多条搜索结果。

点击左侧 Use Cases，可以试用提供好的案例，如聊天中可以支持搜索（Chat）。

使用 Chat:

下面我们在 LangChain 中接入该搜索工具，步骤如下：

1. 安装 langchain‑tavily 包：

2. 配置环境变量 TAVILY_API_KEY，值为我们申请的 API Key。

3. 代码接入 TavilySearch 类，实现搜索功能：

结果打印：

三、聊天模型 -- 结构化输出

在 LangChain 中，聊天模型提供了额外的功能：结构化输出。一种使聊天模型以结构化格式（例如 JSON）进行响应的技术。例如，可能希望将模型输出存储在数据库中，并确保输出符合数据库模式。这种需求激发了结构化输出的概念，其中可以指示模型使用特定的输出结构进行响应。

核心原因：实现从 “字符串” 到 “对象” 的范式转换。在没有该功能之前，调用聊天模型得到的是AIMessage，内容是普通字符串。伪代码示例：

字符串对人类友好，但对程序不友好。如果想要从中提取 “公司名” 和 “股价变化” 交给后续逻辑，需要手写复杂、容易出错的解析代码（正则表达式等）。

聊天模型的 with_structured_output 方法可以预先定义期望的数据结构，强制大模型按照该结构返回信息。

with_structured_output()

想要使用结构化输出能力，LangChain 提供.with_structured_output()方法。步骤伪代码：

这是获取结构化输出最简单、最可靠的方式。把输出结构作为参数传入，返回一个类似 model 的 Runnable。执行之后不再返回字符串 / 消息对象，而是和 schema 匹配的 Python 对象。

schema 支持传入TypedDict、JSON Schema、Pydantic类。

TypedDict / JSON Schema：返回字典
Pydantic 类：返回 Pydantic 实例对象

with_structured_output() 方法定义

请求参数:
schema：输出结构。支持 JSON、TypedDict、Pydantic、OpenAI 函数 / 工具。
method：LLM 生成方式
json_schema（默认）：使用 OpenAI 结构化输出 API
function_calling：使用 OpenAI 工具调用（旧称函数调用）
json_mode：OpenAI json 模式；注意：使用该模式需要自己在 prompt 里说明 schema 格式
include_raw
False(默认)：只返回解析完成的结构化对象；解析出错直接抛异常
True：返回原始消息 + 解析结果；返回字典包含raw、parsed、parsing_error三个 key，解析异常也会捕获返回
strict
True：强制模型输出严格匹配 schema，同时校验传入 schema
False：不校验 schema，也不校验模型输出
None（默认）：不把 strict 参数传给模型
tools：绑定工具列表，要求method="json_schema"、strict=True、include_raw=True，原始结果会放在 raw 字段
kwargs：其余参数直接透传给 bind ()
返回值:
返回 Runnable 实例。
include_raw=False
schema 是 Pydantic 类：输出 Pydantic 对象
其他情况：输出字典
include_raw=True，返回字典：
raw：BaseMessage 原始消息
parsed：解析后的对象，解析失败为 None
parsing_error：解析异常对象，无异常则为空

返回 Pydantic 对象

我们可以设置执行 Runnable 后的输出结果指定为 Pydantic 类，这将返回一个 Pydantic 对象。

当收到模型的响应后，LangChain 会提取出代表 Pydantic 参数的 JSON 对象，并用 Pydantic 模型对其进行解析和验证，将这个验证后的 JSON 转换为一个可用的 Pydantic 对象实例返回。

如下所示:

打印结果：

还支持嵌套输出：

打印结果：

返回 TypedDict

先了解一下 TypedDict，它用于为字典对象提供精确的、结构化的类型提示。它允许我们指定一个字典中应该有哪些键，以及每个键对应的值的类型。

最清晰、最常用的定义方式，就是类似于定义一个类（Python3.8+），如下所示：

它重要的一个能力就是捕捉键名拼写错误与类型错误。

因此，我们也可以设置执行 Runnable 后的输出结果指定为 TypedDict 类，这将返回一个字典，且输出后，会根据设定进行验证。以下是该方法的使用姿势：

打印结果：

让我们加入include_raw=True，再来看看效果：

打印结果：

raw：原始大模型返回消息对象；parsed：解析完成的字典；parsing_error：解析异常，无异常为 None。

返回 JSON

还可以让聊天模型直接返回 JSON，只不过为了声明 JSON，我们需要定义 JSON Schema，如下所示：

打印结果：

三种 schema 小结:

Pydantic BaseModel：返回 Pydantic 对象，.属性访问，运行时自动校验，开发最常用。
TypedDict：返回普通字典，["key"]访问，仅静态类型提示，运行时不校验。
JSON Schema：手写字典形式的 schema，返回普通字典，适合非 Python 环境对接、动态生成 schema 场景。

三者传给 with_structured_output() 都可以实现结构化输出，底层都会转为 OpenAI 识别的 json‑schema。

四、选择输出格式

创建具有联合类型属性的父模式，以使用 Pydantic 为例（其他同理），代码如下：

打印结果：

五、实用场景

场景 1：作为信息提取器

如下所示:

打印结果：

场景 2：使用 “少样本提示” 来增强信息提取能力

这里由于 [少样本提示] 能力我们还未讲解，这部分代码示例放在 [少样本提示] 部分讲解。

场景 3：与工具结合使用

注意，使用聊天模型原生的工具搭配结构化输出并不好用！！！这里只是了解下其能力。更好的用法见 LangGraph Agent 能力。

方式 1：使用with_structured_output()

输出结果：

可以看到，它并不能直接帮我们输出想要的 SearchResult 搜索结果，而是只返回了 AIMessage (工具调用信息)。

实际上，with_structured_output 方法只是让模型知道有哪些工具可以调用，但是并不会自动执行工具。要获得工具执行后的结果并整合到最终的结构化输出中，我们需要手动处理工具调用，然后将工具返回的结果再次传递给模型。见方式 2。

方式 2：拆解能力，单独依次执行

当需要同时使用结构化输出和其他工具时，需要注意顺序，不要弄反：

首先绑定工具
其次添加结构化输出

代码演示（版本 1）：

打印结果：

改造版本完整代码：

打印结果：

这次的结果符合我们的预期。但依旧很麻烦，因为实际上调用了两次模型：

第一次调用模型：模型返回工具调用，我们手动执行工具，将工具结果加入消息列表。
第二次调用模型：传入完整消息列表（包含工具返回结果），输出结构化对象。

如果不想手动写两次调用、手动处理工具消息，后续学习LangGraph的 Agent 就可以自动化完成这个流程。

六、总结

本文介绍了 LangChain 聊天模型的绑定工具、结构化输出功能及实用场景。主要内容包括：1. 使用 .bind_tools() 方法将工具绑定到聊天模型，支持强制调用工具和并行工具调用；2. 通过 .with_structured_output() 实现结构化输出 (Pydantic对象/TypedDict/JSON)，便于程序处理；3. 官方工具集 (如TavilySearch) 的使用方法；4. 结构化输出与工具调用的结合方式及注意事项；5. 典型应用场景如信息提取和少样本提示增强。文章强调结构化输出实现了从字符串到对象的范式转换，但指出原生工具与结构化输出的组合使用存在局限，建议后续结合 LangGraph Agent 实现自动化流程。