# LangChain 1.0 create_agent() 中 response_format 详解 ## 1. response_format 的核心概念与作用 在 LangChain 1.0 中，`create_agent()` 函数的 `response_format` 参数是一个关键的高级功能，主要用于控制智能体输出的**结构化格式**。这一功能使得 AI 智能体能够生成符合特定 JSON Schema 或其他结构化规范的输出，极大提升了输出的可靠性和可预测性 [ref_1]。 ### 1.1 核心价值 - **标准化输出**：确保智能体返回的数据符合预定义的结构 - **数据完整性**：强制要求必需字段的存在和数据类型正确性 - **下游集成**：便于与其他系统进行数据交换和集成 - **错误减少**：通过 Schema 验证降低输出格式错误的风险 ## 2. response_format 的技术实现 ### 2.1 基本语法结构 ```python from langchain.agents import create_agent agent = create_agent( llm=llm_instance, tools=tools_list, response_format={ "type": "json_object", "schema": { "type": "object", "properties": { "field1": {"type": "string"}, "field2": {"type": "number"} }, "required": ["field1"] } } ) ``` ### 2.2 支持的格式类型 | 格式类型 | 描述 | 适用场景 | |---------|------|----------| | `json_object` | 标准的 JSON 对象格式 | API 响应、数据交换 | | `json_schema` | 符合 JSON Schema 规范 | 严格的数据验证 | | `structured` | 结构化数据输出 | 复杂业务逻辑 | | `text` | 纯文本格式（默认） | 简单对话场景 | ## 3. 实际应用案例 ### 3.1 电商产品信息提取场景 ```python from langchain_openai import ChatOpenAI from langchain.agents import create_agent, tool from langchain_core.prompts import ChatPromptTemplate import json # 定义产品信息 Schema product_schema = { "type": "object", "properties": { "product_name": {"type": "string"}, "price": {"type": "number"}, "category": {"type": "string"}, "description": {"type": "string"}, "specifications": { "type": "object", "properties": { "color": {"type": "string"}, "size": {"type": "string"}, "weight": {"type": "number"} } }, "availability": {"type": "boolean"} }, "required": ["product_name", "price", "category"] } # 创建智能体配置 llm = ChatOpenAI(model="gpt-4", temperature=0) @tool def extract_product_info(product_text: str) -> str: """从产品描述文本中提取结构化信息""" return product_text agent = create_agent( llm=llm, tools=[extract_product_info], response_format={ "type": "json_object", "schema": product_schema }, prompt=ChatPromptTemplate.from_template( "请从以下产品描述中提取信息，并严格按照 JSON Schema 格式输出：\n\n{input}" ) ) # 使用示例 product_description = """ 苹果 iPhone 15 Pro Max，配备钛金属设计，6.7英寸超视网膜XDR显示屏。 256GB存储空间，支持5G网络。颜色：深空黑色，重量：221克。 价格：9999元，属于智能手机类别。目前有库存。 """ result = agent.invoke({"input": product_description}) print(json.dumps(result, ensure_ascii=False, indent=2)) ``` **输出结果示例**： ```json { "product_name": "iPhone 15 Pro Max", "price": 9999, "category": "智能手机", "description": "配备钛金属设计，6.7英寸超视网膜XDR显示屏，256GB存储空间，支持5G网络", "specifications": { "color": "深空黑色", "size": "6.7英寸", "weight": 221 }, "availability": true } ``` ### 3.2 客户服务工单处理场景 ```python # 客户服务工单 Schema ticket_schema = { "type": "object", "properties": { "ticket_id": {"type": "string"}, "customer_name": {"type": "string"}, "issue_type": {"type": "string", "enum": ["技术问题", "账单问题", "产品咨询", "投诉"]}, "priority": {"type": "string", "enum": ["低", "中", "高", "紧急"]}, "description": {"type": "string"}, "assigned_agent": {"type": "string"}, "estimated_resolution_time": {"type": "string"} }, "required": ["ticket_id", "issue_type", "priority", "description"] } service_agent = create_agent( llm=llm, tools=[], # 可根据需要添加工具 response_format={ "type": "json_object", "schema": ticket_schema } ) # 处理客户问题 customer_query = """ 我是张三，我的订单号是 ORD-2024-00123，遇到了支付问题。 昨天支付的款项一直没有到账，这严重影响了我公司的采购流程，请尽快处理！ """ ticket_result = service_agent.invoke({ "input": f"请根据客户描述创建服务工单：{customer_query}" }) ``` ## 4. response_format 的高级配置 ### 4.1 动态 Schema 配置 ```python def create_dynamic_schema(required_fields: list, optional_fields: list) -> dict: """动态生成 JSON Schema""" properties = {} # 添加必需字段 for field in required_fields: properties[field] = {"type": "string"} # 添加可选字段 for field in optional_fields: properties[field] = {"type": "string"} return { "type": "object", "properties": properties, "required": required_fields } # 动态创建智能体 dynamic_agent = create_agent( llm=llm, tools=[], response_format={ "type": "json_object", "schema": create_dynamic_schema( required_fields=["name", "email"], optional_fields=["phone", "company"] ) } ) ``` ### 4.2 嵌套结构处理 ```python nested_schema = { "type": "object", "properties": { "user_info": { "type": "object", "properties": { "personal": { "type": "object", "properties": { "name": {"type": "string"}, "age": {"type": "integer"}, "gender": {"type": "string", "enum": ["男", "女", "其他"]} } }, "contact": { "type": "object", "properties": { "email": {"type": "string"}, "phone": {"type": "string"} } } } }, "preferences": { "type": "array", "items": { "type": "object", "properties": { "category": {"type": "string"}, "interest_level": {"type": "number", "minimum": 1, "maximum": 5} } } } } } ``` ## 5. 与其他 LangChain 功能的集成 ### 5.1 与中间件结合使用 `response_format` 可以与 LangChain 的中间件机制完美结合，实现更复杂的流程控制 [ref_5]： ```python from langchain_core.middleware import BaseMiddleware class ValidationMiddleware(BaseMiddleware): async def on_agent_action(self, action, run_id, **kwargs): # 在动作执行前验证 Schema if hasattr(action, 'response_format'): schema = action.response_format.get('schema') # 执行自定义验证逻辑 self.validate_against_schema(action.observation, schema) return await self.next(action, run_id, **kwargs) agent_with_middleware = create_agent( llm=llm, tools=tools_list, response_format={"type": "json_object", "schema": product_schema}, middleware=[ValidationMiddleware()] ) ``` ### 5.2 与记忆功能集成 结合 `RunnableWithMessageHistory` 实现带记忆的结构化输出 [ref_4]： ```python from langchain_core.runnables.history import RunnableWithMessageHistory # 创建带记忆的智能体 agent_with_memory = RunnableWithMessageHistory( agent, get_session_history, input_messages_key="input", history_messages_key="chat_history" ) ``` ## 6. 最佳实践与注意事项 ### 6.1 Schema 设计原则 1. **保持简洁**：只定义真正需要的字段 2. **类型严格**：明确指定数据类型和约束条件 3. **版本控制**：为 Schema 添加版本信息便于后续更新 4. **向后兼容**：新增字段设为可选，避免破坏现有系统 ### 6.2 错误处理策略 ```python try: result = agent.invoke({"input": user_input}) # 验证输出是否符合 Schema if validate_json_schema(result, expected_schema): return result else: # 处理 Schema 验证失败 handle_validation_error(result) except Exception as e: # 处理智能体执行错误 handle_agent_error(e) ``` ### 6.3 性能优化建议 - **缓存 Schema 验证**：对相同 Schema 的验证结果进行缓存 - **批量处理**：对多个请求使用相同的 response_format 配置 - **渐进式验证**：先进行基本验证，再进行完整 Schema 验证 通过以上详细解析，可以看出 `response_format` 在 LangChain 1.0 的 `create_agent()` 中扮演着至关重要的角色，它不仅提供了强大的结构化输出能力，还通过与中间件、记忆管理等其他功能的集成，为构建生产级的 AI 应用提供了坚实的技术基础 [ref_2][ref_6]。