LangGraph结构化输出实战:5分钟搞定Pydantic模型验证与JSON解析

LangGraph生产级工作流基石:Structured Output结构化输出实战 Structured Output(结构化输出)是大语言模型工程化落地的核心技术范式,其本质是将LLM的非确定性文本生成,约束为符合Pydantic Schema的强类型JSON响应。它通过Prompt注入、带重试的Output Parsing和可配置Fallback三层机制,解决自由文本输出导致的格式漂移、字段缺失与语义歧义问题。该技术显著提升LangGraph等编排框架中节点间数据流的类型安全性与分支路由稳定性,是实现条件分支、错误定位、可观测运维和下游系统直连的关键基础设施。本文以披萨店客户反馈自动化 阅读详情

LangGraph结构化输出实战:5分钟搞定Pydantic模型验证与JSON解析

你是否曾花费数小时,只为从大语言模型(LLM)那自由奔放的文本输出中,精准地提取出几个结构化的字段?比如,你只想让模型返回一个包含“产品名称”、“价格”和“库存状态”的JSON对象,但它却可能给你一段散文式的描述,夹杂着无关的说明和感叹。在构建自动化流程、数据管道或智能代理时,这种不确定性是致命的。今天,我们不谈空洞的理论,直接上手一个能让你在五分钟内解决这个痛点的实战方案:利用LangGraph的with_structured_output方法,结合Pydantic的强大验证能力,驯服LLM的输出,让它乖乖交出你想要的格式。

这篇文章面向的是已经熟悉Python基础,并开始在实际项目中集成LLM的开发者。我们将绕过复杂的源码迷宫,聚焦于如何快速、可靠地实现结构化输出。你将学到的不只是调用一个API,而是理解其背后的设计逻辑、如何处理常见的解析陷阱,以及如何将这套机制无缝融入你的LangGraph工作流中。准备好了吗?让我们开始吧。

1. 为什么需要结构化输出?从混乱到秩序

在传统的软件开发中,函数的返回值类型是明确的。但在LLM的世界里,输出本质上是非结构化的文本流。当你需要将LLM的响应作为下游代码的输入时,这种不确定性就成了绊脚石。想象一下,你正在构建一个电商客服机器人,用户问:“你们还有黑色的iPhone 15 Pro吗?” 你期望的响应可能是一个结构化的数据对象:

{
  "product_name": "iPhone 15 Pro",
  "color": "黑色",
  "in_stock": true,
  "estimated_delivery_days": 3
}

然而,LLM的原生回复可能是:“您好!目前iPhone 15 Pro的黑色版本库存充足,预计3个工作日内可以送达。” 虽然信息齐全,但你的代码无法直接、稳定地从中提取出in_stock: true这个布尔值。

结构化输出就是为了弥合这个鸿沟。它通过给LLM一个明确的“输出模板”(schema),引导模型生成符合特定格式的数据。这不仅仅是“格式化”,更包含了数据验证。如果模型返回的“库存”字段是一个字符串“充足”,而你的schema期望一个布尔值,验证机制会立即捕获这个错误,防止错误数据污染后续流程。

注意:结构化输出的实现,依赖于LLM本身支持“工具调用”(Tool use)或“函数调用”(Function calling)能力。这本质上是让模型学习“为了完成某个任务,我需要按照特定格式输出数据”。主流模型如GPT-4、Claude 3、DeepSeek等都已支持此功能。

LangGraph的with_structured_output方法,正是将这一系列复杂操作——绑定schema、调用模型、解析响应、验证数据——封装成了一个简洁的Runnable接口。你的代码从处理文本的泥潭中解放出来,开始处理确定性的对象。

2. 核心武器:Pydantic模型定义与验证

在深入LangGraph之前,我们必须先掌握Pydantic这个利器。Pydantic是一个基于Python类型注解的数据验证和设置管理库。它让你能用Python类来清晰定义数据形状,并自动处理验证、序列化和文档生成。

2.1 定义你的数据契约

让我们为上面的电商查询场景定义一个Pydantic模型。这就像为LLM的输出起草一份“合同”。

from pydantic import BaseModel, Field
from typing import Optional

class ProductQueryResult(BaseModel):
    """产品库存查询结果"""
    product_name: str = Field(description="产品的具体名称,如 iPhone 15 Pro")
    color: Optional[str] = Field(None, description="产品颜色,如无特定颜色则为None")
    in_stock: bool = Field(description="当前是否有库存")
    estimated_delivery_days: int = Field(ge=0, description="预计送达天数,必须为非负整数")
    price: Optional[float] = Field(None, gt=0, description="产品价格,单位元,必须大于0")

这个简单的类蕴含了强大的约束:

  • 类型安全:in_stock必须是布尔值,estimated_delivery_days必须是整数。
  • 字段描述:Field(description=...)不仅为人类提供文档,更重要的是,这些描述会被传递给LLM,帮助它理解每个字段应该填充什么内容。
  • 高级验证:ge=0确保送达天数非负,gt=0确保价格为正数。Pydantic支持丰富的验证器。
  • 可选字段:Optional[str]表示颜色和价格字段可能为None,这在实际场景中非常实用。

2.2 验证的力量:拦截错误数据

定义模型只是第一步,验证才是保障数据质量的防火墙。看看Pydantic如何工作:

# 正确的数据
good_data = {
    "product_name": "iPhone 15 Pro",
    "color": "黑色",
    "in_stock": True,
    "estimated_delivery_days": 3
}
result = ProductQueryResult(**good_data)
print(result)
# 输出:ProductQueryResult(product_name='iPhone 15 Pro', color='黑色', in_stock=True, estimated_delivery_days=3, price=None)

# 错误的数据:送达天数为负数
bad_data = {
    "product_name": "MacBook Air",
    "in_stock": True,
    "estimated_delivery_days": -2  # 无效值!
}
try:
    result = ProductQueryResult(**bad_data)
except Exception as e:
    print(f"验证错误: {e}")
# 输出:validation error for ProductQueryResult...
# estimated_delivery_days: ensure this value is greater than or equal to 0...

这种严格的验证,确保了流入你业务逻辑的数据是干净、合规的。当与LLM结合时,它能在第一时间发现模型输出的格式或逻辑错误,而不是让错误潜伏到业务代码深处才爆发。

3. 五分钟实战:LangGraph with_structured_output 全流程

现在,我们将Pydantic模型和LangGraph结合起来。假设你已经安装好了langgraph和openai等基础库,并设置好了API密钥。

3.1 基础用法:最简单的结构化输出

首先,我们创建一个支持结构化输出的LLM链。这里以OpenAI的Chat模型为例。

from langchain_openai import ChatOpenAI
from pydantic import BaseModel, Field

# 1. 定义输出模型
class Joke(BaseModel):
    """一个笑话"""
    setup: str = Field(description="笑话的开头或问题部分")
    punchline: str = Field(description="笑话的包袱或答案部分")
    category: str = Field(description="笑话的分类,如‘程序员’、‘生活’")

# 2. 初始化模型
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.5)

# 3. 应用结构化输出
structured_llm = llm.with_structured_output(Joke)

# 4. 调用!直接得到Pydantic对象
joke_result = structured_llm.invoke("给我讲一个关于程序员的笑话。")
print(type(joke_result))  # <class '__main__.Joke'>
print(joke_result.setup)   # 直接访问属性
print(joke_result.punchline)
print(f"分类: {joke_result.category}")

就这么简单!invoke方法返回的直接就是一个Joke类的实例对象,而不是原始的AIMessage或字典。你可以像使用任何Python对象一样使用它:点号访问属性、传递给其他函数、序列化成JSON等。

3.2 处理原始输出与错误:include_raw参数

在开发调试或需要更高容错性的场景下,你可能既想得到解析后的结构化数据,又想保留模型的原始响应,以便在解析失败时进行诊断。include_raw=True参数就是为此而生。

# 启用包含原始输出的模式
structured_llm_with_raw = llm.with_structured_output(Joke, include_raw=True)

response = structured_llm_with_raw.invoke("讲个冷笑话。")
print(response.keys())  # dict_keys(['raw', 'parsed', 'parsing_error'])

# 解析成功的情况
if response['parsing_error'] is None:
    joke = response['parsed']  # 这里就是Joke对象
    print(f"笑话包袱: {joke.punchline}")
    # 你还可以查看原始消息
    raw_message = response['raw']
    print(f"原始响应内容: {raw_message.content}")
    print(f"工具调用参数: {raw_message.additional_kwargs.get('tool_calls')}")
else:
    # 解析失败的情况
    print(f"解析出错: {response['parsing_error']}")
    print(f"原始响应可供调试: {response['raw']}")

返回的字典包含三个键:

  • raw: 原始的AIMessage对象,包含模型返回的全部信息。
  • parsed: 解析后的Pydantic对象。如果解析失败,则为None。
  • parsing_error: 解析过程中抛出的异常对象。如果解析成功,则为None。

这种模式非常适合构建生产级的稳健应用,你可以根据parsing_error来决定重试、降级处理或记录日志。

3.3 使用字典Schema:更灵活的轻量级选择

并非所有场景都需要Pydantic的重量级验证。有时,你只需要一个简单的字典结构。with_structured_output也支持直接传入OpenAI函数格式的字典schema。

from langchain_core.utils.function_calling import convert_to_openai_tool

# 方法一:从Pydantic模型转换(推荐,保持一致性)
dict_schema = convert_to_openai_tool(Joke)
print(dict_schema)
# 输出一个符合OpenAI函数调用规范的字典

# 方法二:手动定义字典schema
manual_schema = {
    "type": "function",
    "function": {
        "name": "extract_info",
        "description": "从文本中提取关键信息",
        "parameters": {
            "type": "object",
            "properties": {
                "main_topic": {"type": "string"},
                "sentiment": {"type": "string", "enum": ["positive", "neutral", "negative"]},
                "key_entities": {"type": "array", "items": {"type": "string"}}
            },
            "required": ["main_topic", "sentiment"]
        }
    }
}

# 应用字典schema
llm_dict = llm.with_structured_output(manual_schema)
result_dict = llm_dict.invoke("用户反馈说新版本的APP启动速度变快了,但偶尔会闪退。")
print(result_dict)
# 输出如: {'main_topic': 'APP版本反馈', 'sentiment': 'positive', 'key_entities': ['APP', '启动速度', '闪退']}

使用字典schema时,返回的直接是Python字典。它更轻量,但牺牲了Pydantic提供的自动类型转换和复杂验证。如何选择?一个简单的原则:如果数据结构简单且稳定,用字典;如果数据结构复杂、需要严格验证或可能频繁演变,用Pydantic。

4. 避坑指南:实战中常见的JSON解析问题

即使使用了with_structured_output,你仍可能遇到一些棘手的解析问题。下面是一些典型场景及其解决方案。

4.1 模型“不听话”:输出不符合Schema

有时,模型会忽略你的指令,返回自由文本而不是结构化的工具调用。这通常有几个原因:

  • 温度(Temperature)过高:过高的温度值会增加模型的随机性。对于需要严格遵循格式的任务,建议将temperature设置为0或一个较低的值(如0.1-0.3)。
  • Schema描述不清:Pydantic字段的description至关重要。模糊的描述会导致模型困惑。确保描述清晰、无歧义,并说明字段的格式(例如,“日期,格式为YYYY-MM-DD”)。
  • 系统提示词(System Prompt)缺失或不当:在调用链前加入明确的系统提示词,强调输出格式要求。
from langchain_core.prompts import ChatPromptTemplate

# 强化系统指令
system_prompt = """你是一个严格的数据提取助手。你必须将你的回答格式化为一个JSON对象,严格遵循提供的工具调用格式。
不要添加任何解释性文字、前缀或后缀,只输出工具调用。"""
human_prompt = "{query}"

prompt = ChatPromptTemplate.from_messages([
    ("system", system_prompt),
    ("human", human_prompt)
])

# 将提示词链与结构化LLM结合
chain = prompt | structured_llm
result = chain.invoke({"query": "分析这段文本的情绪..."})

4.2 处理嵌套与复杂对象

现实世界的数据很少是扁平的。Pydantic完美支持嵌套模型和复杂类型。

from typing import List
from pydantic import BaseModel

class Author(BaseModel):
    name: str
    affiliation: str

class ResearchPaper(BaseModel):
    title: str
    authors: List[Author]  # 嵌套模型列表
    abstract: str
    keywords: List[str]
    publication_year: int
    citations: Optional[int] = None

# 定义链
paper_extractor = llm.with_structured_output(ResearchPaper)

# 调用 - 模型会自动处理嵌套的authors列表
paper_info = paper_extractor.invoke("""
请从以下描述中提取信息:论文《深度学习在医疗影像中的应用》由张三(北京大学)和李四(清华大学)合作完成,
发表于2023年,摘要讨论了CNN和Transformer的融合,关键词包括‘深度学习’、‘医疗影像’、‘诊断’。
""")
print(f"第一作者: {paper_info.authors[0].name}")
print(f"关键词数量: {len(paper_info.keywords)}")

当模型返回嵌套的JSON时,Pydantic会递归地进行验证和实例化,确保整个对象树都符合定义。

4.3 部分JSON解析与流式输出

在一些流式或渐进式生成的场景中,你可能希望处理“不完整”的JSON。with_structured_output底层解析器支持partial=True参数,但这通常由框架在流式响应时内部处理。对于普通开发者,一个更实用的技巧是:如果担心模型生成残缺的JSON,可以在schema中为关键字段设置默认值,或使用Optional类型,并在后续代码中做空值检查。

class PartialInfo(BaseModel):
    name: Optional[str] = None
    age: Optional[int] = None
    # 即使模型没输出age,解析也不会失败,结果为None

# 另一种策略:使用更宽松的验证,先拿到数据再说
from pydantic import validator

class TolerantModel(BaseModel):
    score: str  # 先用字符串接收

    @validator('score', pre=True)
    def parse_score(cls, v):
        # 尝试将各种输入转换为字符串
        if isinstance(v, (int, float)):
            return str(v)
        return v

4.4 性能与成本考量

结构化输出依赖于模型的工具调用能力,这可能会略微增加提示词的令牌消耗(因为需要传输schema)。为了优化:

  • 精简Schema:只定义必要的字段,删除冗余的描述。过长的字段名和描述会增加Token开销。
  • 缓存结果:对于相同schema和相似输入的频繁查询,考虑对最终的结构化输出结果进行缓存。
  • 批量处理:如果可能,将多个查询合并到一个提示词中,并让模型返回一个对象数组(这需要更复杂的schema设计)。

下表对比了不同场景下的选择建议:

场景特征推荐方案关键理由
数据结构简单,仅需基本提取字典Schema轻量,无额外依赖,解析速度快。
数据需严格验证,类型复杂Pydantic模型提供运行时类型安全和丰富验证,代码自文档化。
需要调试或错误诊断include_raw=True保留原始响应,便于分析解析失败原因。
生产环境,要求高鲁棒性Pydantic + include_raw=True + 错误处理结合了验证、原始数据备份和自定义降级策略。
流式响应或需要中间结果使用LangChain的解析器回调可以处理部分结果,实现渐进式UI更新。

5. 融入LangGraph智能体与工作流

LangGraph的核心价值在于构建有状态的、多步骤的智能体工作流。结构化输出在这里扮演着“标准化接口”的角色,确保不同节点之间传递的数据是清晰、可预测的。

假设我们构建一个简单的产品调研智能体,它有两个步骤:1) 从网络评论中提取产品特征;2) 根据特征生成总结报告。

from langgraph.graph import StateGraph, END
from typing import TypedDict, List
from pydantic import BaseModel

# 定义状态
class AgentState(TypedDict):
    user_query: str
    extracted_features: List[str]  # 存储第一步的结果
    final_report: str  # 存储第二步的结果

# 第一步:特征提取的Pydantic模型
class ProductFeatures(BaseModel):
    features: List[str] = Field(description="从文本中提取出的产品特性关键词")

# 第二步:报告生成(这里我们不需要结构化输出,直接返回文本)
feature_extractor = llm.with_structured_output(ProductFeatures)
report_generator = llm  # 普通LLM,用于生成文本报告

# 定义节点函数
def extract_features_node(state: AgentState):
    query = state["user_query"]
    # 使用结构化输出提取特征
    features_result = feature_extractor.invoke(f"从以下用户评论中提取产品特性:{query}")
    # 将结构化的Pydantic对象数据存入状态
    return {"extracted_features": features_result.features}

def generate_report_node(state: AgentState):
    features = state["extracted_features"]
    # 使用提取出的特征(已是列表)来生成报告
    report = report_generator.invoke(f"基于这些产品特性{features},生成一份简短的总结报告。")
    return {"final_report": report.content}

# 构建图
workflow = StateGraph(AgentState)
workflow.add_node("extract", extract_features_node)
workflow.add_node("report", generate_report_node)

workflow.set_entry_point("extract")
workflow.add_edge("extract", "report")
workflow.add_edge("report", END)

app = workflow.compile()

# 执行工作流
final_state = app.invoke({"user_query": "这款手机拍照色彩很真实,夜景模式很强,但电池续航一般,充电速度慢。"})
print("提取的特征:", final_state["extracted_features"])
print("生成的报告:", final_state["final_report"])

在这个工作流中,extract_features_node使用了结构化输出,确保extracted_features状态一定是一个字符串列表。这为generate_report_node提供了可靠、类型明确的输入,避免了在节点间传递数据时还需要进行字符串解析或错误检查的麻烦。整个系统的可靠性因此大大提升。

结构化输出不是LangGraph中一个孤立的技巧,而是构建稳健、可维护的AI工作流的基石。它让LLM从一个“黑盒文本生成器”,转变为你代码库中一个具有明确接口的“数据处理组件”。花五分钟掌握它,为你接下来的AI应用开发铺平道路。

LangChain生产实战:Agent状态管理与LangGraph范式重构 Agent并非简单的LLM+Tools组合,而是一套可控的错误传播与状态编排协议;其核心挑战在于执行模型选择、Tool契约定义、状态持久化设计及RAG链路干预。LangChain v0.3中,Stateful Agent依赖显式configurable参数与checkpointer实现事务级状态快照,LangGraph则通过有向无环图(DAG)将隐式循环升级为可审计、可路由的节点化执行流。这些机制共同支撑金融合规问答、医疗辅助诊断、工业故障推理等高可靠AI应用落地,是突破‘能跑通’迈向‘可运维’的关键技术分 阅读详情

相关推荐

LangChain Tools本质:结构化函数调用与参数契约解析

在大模型Agent开发中,函数调用(Function Calling)是实现外部系统集成的核心机制,其原理在于将自然语言意图映射为结构化工具调用请求。该技术依赖输入Schema约束、LLM参数生成能力与执行路由协议三者协同,核心价值在于提升调用可靠性与可验证性。典型应用场景包括智能客服中的订单查询、天气获取等需对接真实API的业务环节。LangChain Tools并非简单工具集合,而是通过Pydantic Schema定义、OpenAI兼容序列化及LLM决策路由,构建起从用户请求到确定性执行的闭环。本文深

weixin_34161029的博客 522

【LangGraph】TypedDict、Pydantic 和 dataclass :状态管理

TypedDict、Pydantic 和 dataclass,这三者都是Python中用于定义和处理结构化数据的工具,常常在 LangGraph 的状态管理和数据建模中出现。它们各有特点,适合不同的场景。本文是对它们的详细说明,以及它们在LangGraph中的潜在应用。TypedDict:轻量、静态类型检查,适合简单状态定义。Pydantic:强大验证和序列化,适合复杂状态或工具调用。dataclass:简洁的类结构,适合内部配置或简单状态。

彬彬侠的博客 2441

LangChain、LangGraph、LangSmith 三者分工与协作实战指南

在大模型应用开发中,LangChain 提供标准化的模型调用接口,解决多源LLM能力接入不一致的问题;LangGraph 基于有状态图计算,支撑复杂业务逻辑的动态分支与循环控制;LangSmith 则通过全链路Trace捕获与对比分析,实现AI系统可观测性与根因定位。三者共同构成AI工程化流水线:LangChain是能力引擎,LangGraph是流程中枢,LangSmith是生产仪表盘。典型应用场景包括RAG问答闭环、金融合规推理、医疗报告解读等需多步决策与强可追溯性的工业级系统。本文聚焦真实项目中的协同切

weixin_30565199的博客 313

LangGraph项目中Pydantic泛型模型状态验证问题解析

在现代AI Agent(智能代理)系统中,状态管理是一个复杂而关键的问题。LangGraph作为一个强大的低级别编排框架,为构建、管理和部署长时间运行的有状态Agent提供了基础设施。然而,在使用Pydantic泛型模型进行状态验证时,开发者经常会遇到各种挑战和陷阱。 你是否曾经遇到过这样的场景: - 泛型类型在运行时丢失类型信息,导致验证失败? - 复杂的嵌套数据结构无法正确序列化和反序列化...

gitblog_07537的博客 418

LangGraph图编排原理与财务分析Agent实战

大模型智能体(Agent)需应对动态决策、多工具协同与状态感知等复杂场景,其核心挑战在于执行逻辑的灵活性与可维护性。传统链式编排(Chain)依赖静态路径,难以响应LLM非确定性输出;通用状态机库又缺乏对自然语言语义的原生支持,导致胶水代码泛滥。LangGraph通过状态(State)、节点(Node)、边(Edge)三层抽象,将Agent建模为可运行时重配置的有向图,实现基于结构化输出的条件跳转与并发控制。该技术已广泛应用于金融风控、IoT诊断、自动化投研等需高可靠流程编排的领域,显著提升开发效率与系统可

hck341204的专栏 474

LangGraph构建可调试AI Agent:图编排、状态管理与生产落地

AI Agent并非简单调用大模型,而是具备目标导向、状态记忆与多步推理能力的自主服务单元。其核心挑战在于流程编排的可验证性、状态一致性与故障恢复能力。LangGraph以有向图(Directed Graph)为执行拓扑,通过显式节点定义、条件边路由与强类型State(基于Pydantic)实现工程级可控性,显著区别于线性链式框架(如RunnableSequence)或对话模拟框架(如AutoGen)。它天然支持checkpoint持久化、人工中断介入、Mermaid可视化调试及嵌套子图,是构建真实业务闭环

weixin_30654583的博客 639

7大主流AI Agent开发框架全解析,看这篇就够了!

AI Agent开发框架综述:主流工具与核心特性 本文梳理了当前主流的AI Agent开发框架,包括LangGraph、AutoGen、CrewAI等7种解决方案。分析显示,各框架在架构设计上呈现差异化特点:LangGraph侧重有状态工作流管理,AutoGen专攻多智能体协作,CrewAI强调轻量化与高性能。特别值得注意的是,MetaGPT创新性地采用软件公司SOP模拟机制,实现复杂任务自动化。这些框架普遍具备持久化执行、人在回路、全维度记忆等核心功能,反映了AI Agent开发领域向模块化、可观测性、生

javatiange的博客 4109

LangGraph+Prophet+LLM混合时序预测实战指南

时序预测本质是结构化规律与非结构化扰动的动态博弈。单一模型(如纯LLM或经典统计模型)难以兼顾可解释性、鲁棒性与实时响应能力。混合建模通过分层协同,让Prophet提供可审计的趋势基线,LLM解析政策、新闻等语义信号生成扰动向量,LangGraph实现状态化编排与human-in-the-loop干预。该架构在误差控制、归因可追溯、生产SLA达标等工程指标上显著优于端到端方案,适用于快消、新能源、金融等需高可信度预测的业务场景。

afeyfre41671的博客 392

【LangGraph】Annotated与Pydantic联用:类型注解的元数据驱动开发实战

本文详细介绍了如何利用LangGraph与Pydantic结合typing.Annotated实现类型注解的元数据驱动开发。通过实战案例展示了如何为AI工作流添加数据验证、文档描述和智能合并策略,提升代码的可维护性和安全性。特别适合需要严格类型约束的Python项目开发。

assembly8low的博客 989

AI智能体开发:Plan-and-Solve范式解析与LangGraph实战

在AI智能体开发领域,如何让大语言模型高效、可靠地处理复杂任务是一个核心挑战。传统的‘感知-行动’循环虽然灵活,但容易因缺乏全局规划而导致结果混乱、效率低下。为此,业界提出了‘先规划,再解决’的系统性方法论,即Plan-and-Solve范式。该范式强调在处理复杂任务前,先进行前置的、结构化的思考,生成明确的步骤蓝图,再按图执行,从而提升任务的成功率、可控性和可解释性。其技术价值在于将宏观规划与微观执行解耦,尤其适合代码生成、数据分析、流程自动化等高结构化场景。通过结合LangGraph等工作流框架,开发者

weixin_30755393的博客 390

LangGraph实战:构建可交付的大模型应用Agent系统

AI Agent是大模型落地的核心范式,其本质是具备状态管理、多跳推理与可控执行能力的智能体系统。LangGraph通过显式状态(State)、节点(Node)、边(Edge)和图(Graph)四大要素,解决了传统Chain架构在多轮对话、长周期任务和业务约束保持中的根本性缺陷。相比LangChain的线性调用链,LangGraph提供工程级可维护性、可观测性与生产就绪能力,已成为2026年大模型应用开发岗的事实标准。本文聚焦真实业务场景——销售智能体构建,覆盖结构化State设计、异步RAG集成、SQLi

weixin_34050519的博客 345

LLM结构化输出实战:用Pydantic+LangGraph构建生产级条件工作流

大语言模型(LLM)在真实业务中常因自由文本输出导致不可控、不可测、不可集成——这是AI落地的核心瓶颈。结构化输出通过预定义Schema建立人机契约,将模型行为从‘自由发挥’约束为‘确定填表’,显著提升准确性、可审计性与系统兼容性。其原理依托类型安全校验(如Pydantic v2)、运行时验证与状态驱动的条件分支(如LangGraph),技术价值在于降低误判率、加速响应、消除人工校验,并天然适配数据库、BI工具与下游API。典型应用场景包括智能客服工单自动分类、用户反馈结构化解析、多源日志标准化提取等。本文

weixin_30700099的博客 328

DLMS-Blue-Book蓝皮书—曲线类

attribute_index 1 指的是第 1 个属性(即 logical_name),attribute_index 2 指的是第 2 个属性,等等;如果其他“曲线通用类”对象捕获了这个缓冲区,它们的缓冲区也将被清空,以保证它们的缓冲区条目是同质的。如果捕获对象是曲线通用类的缓冲区,则 data_index 标识缓冲区(即列)中的捕获对象(即内部曲线通用类中的列);如果曲线通用类已排序,则调用捕获方法将把新条目存储在缓冲区中的适当位置,移动所有后续条目,并可能丢失最不相关的条目。

一个bug是bug,多个bug能work 1455

大模型工程化实战(一):概率坍塌的救赎 - 给LLM输出加锁

本文探讨了如何解决大模型输出不稳定的工程问题,提出了4层确定性金字塔方案。文章指出大模型输出不稳定性体现在三个层面:输出随机破坏用户体验、格式错乱导致系统中断、偶发幻觉造成业务污染。传统应对方法如依赖temperature=0、加强prompt约束或更换模型都存在本质缺陷。 核心方案是通过4个层级递进增强确定性:采样层(temperature=0+seed)提供基础稳定性;契约层(JSON Schema严格校验)确保格式合规;容错层(校验+重试+降级)控制失败成本;编排层(状态机控制流)实现业务级确定

寻道AI,探索AI无限可能! 888

从零开始:如何用STM32和MAX30100打造你的第一台智能心率监测设备

本文详细介绍了如何使用STM32微控制器和MAX30100传感器从零开始构建智能心率监测设备。涵盖硬件选择、电路设计、软件开发到心率算法实现的全过程,特别适合嵌入式开发新手和创客。通过OLED显示和蓝牙串口传输数据,打造低成本、高精度的心率检测仪,为健康监测项目提供实用解决方案。

7z8x2c4v6b9的博客 194

FPGA AXI DDR3读写时序调试与FIFO缓存实战解析

本文深入解析FPGA中AXI协议与DDR3的读写时序调试,重点探讨FIFO缓存在数据流控制中的关键作用。通过实战案例详细讲解突发传输中的地址对齐、数据分片等常见问题,并提供状态机设计、仿真波形分析和性能优化技巧,帮助开发者高效解决高速数据存储场景下的时序同步与数据一致性问题。

blockchain9miner的博客 1122

基于LangGraph与Pydantic的多智能体教育游戏生成框架解析

多智能体系统是当前AI应用开发的前沿方向,它通过多个专业化的AI模块协同工作,解决复杂任务。其核心原理在于将大问题分解为子任务,由不同智能体分工协作,并通过状态管理和工作流编排确保整体一致性。这种架构的技术价值在于提升了AI系统的模块化、可解释性和可控性,使其能够处理教育内容转化、创意生成等需要多维度专业知识的场景。在实际应用中,例如教育游戏自动化生成,多智能体框架可以模拟一个虚拟开发团队,其中战略智能体负责目标对齐,内容转化智能体负责知识点拆解,叙事与关卡智能体负责玩法设计,最终通过模板引擎输出可运行原型

weixin_34267123的博客 304

RK3588与FocalTech触摸屏代码适配全解析:从原理到实战

摘要:本文详细介绍了瑞芯微RK3588处理器与FocalTech触摸屏的适配过程,包括硬件特性、驱动加载、设备树配置和常见问题解决方案。RK3588作为8nm工艺的高性能处理器,具备强大的计算能力和丰富的接口资源;FocalTech触摸屏则采用电容式技术,支持I2C/SPI接口。适配关键步骤包括驱动程序加载、硬件连接检查、设备树配置和内核版本兼容性处理,并提供了代码示例和问题排查方法。随着嵌入式设备智能化发展,该适配技术将持续优化,为智能交互提供更优解决方案。

远程部署调试 运行安装 项目调试 二次开发 项目技术新 持续迭代 部分源码免费分享 273

LangGraph+FastAPI生产安全加固实战:三层防御体系

AI工作流服务不同于传统Web API,其状态驱动、多工具调用、上下文敏感等特性带来SQL注入、越权访问、LLM拒绝服务等新型风险。理解LangGraph的状态机原理与FastAPI的依赖注入机制,是构建可信AI服务的基础;技术价值在于将安全能力深度嵌入推理链路而非外围拦截,实现身份认证、请求净化、意图管控的协同防御;典型应用场景包括金融合同审核、医疗数据查询、销售分析等强监管领域;本文聚焦生产级落地,系统阐述协议层(API Key+JWT双因子)、框架层(结构化中间件链)、业务逻辑层(LangGraph运

weixin_30564901的博客 400

Mamba-UNet:用于医学图像分割的类似UNet的纯视觉Mamba网络

所提出的Mamba-UNet的架构如图2所示,其灵感来源于UNet [24] 和 Swin-UNet [3]。首先将大小为 H × W × 1 的2D灰度图像分割成类似于ViT和VMamba的块 [5,16],然后转换为维度为 H/4 × W/4 × 16 的1D序列。一个初始的线性嵌入层将特征维度调整为任意大小C。这些块令牌随后通过多个VSS块和块合并层进行处理,以创建分层特征。块合并层负责下采样和维度增加,而VSS块则专注于学习特征表示。

AI浩 7554

鸿蒙ArkUI内部API10以及11开发,输入框唤起输入法键盘,页面会被顶起的解决办法

鸿蒙ArkUI内部API10以及11开发,输入框唤起输入法键盘,页面会被顶起的解决办法

zmx781284440的博客 3215

LangChain Agent高级控制:命名、结构化输出与流式模式实战

在构建基于大语言模型(LLM)的智能体(Agent)应用时,如何实现精细化的控制与可观测性是工程实践中的核心挑战。其原理在于通过设计模式与框架支持,将Agent从“黑盒”转变为“白盒”,从而提升其在生产环境中的可靠性。这项技术的核心价值在于增强Agent的可操作性、可集成性与可观测性,使其能够胜任复杂的自动化任务,例如智能客服、数据分析与工作流编排等场景。具体到LangChain框架,实现这一目标的关键技术手段包括:为Agent与工具进行清晰的命名以支持链路追踪与调试;利用Pydantic模型实现强类型的结

weixin_33727510的博客 795

【RT-DETR有效改进】为什么YOLO版本的RT-DETR训练模型不收敛精度差的问题

本文的内容同样为本专栏的前期预热文章,文章主要解释一下为什么有的人跑ultralytics仓库的RT-DETR精度很差,模型不收敛,mAP异常的情况。为了验证这一情况我也是跑了多个实验,从多个数据集出发,100-500的数据集我跑了大概5个数据集,1000的我跑了二个,2000的我跑了一个,4000的跑了一个,同时其中一些版本我也用了不同的batch_size来出发验证精度异常的情况。

Snu77的博客 9766

LangGraph实战:用有向状态图构建高确定性对话系统

对话系统本质上是多轮状态迁移过程,其核心挑战在于状态管理的不可控性与分支逻辑的不可验证性。LangGraph将对话建模为显式定义的有向状态图,以State为顶点、Node为动作单元、Conditional Edge为业务规则载体,实现状态可序列化、流转可追溯、异常可熔断。相比传统链式调用或通用工作流引擎,它原生支持LLM非结构化输出与结构化业务字段的混合处理,兼顾工程确定性与AI灵活性。本文基于90天23节点生产实践,详解如何用LangGraph落地保险、电商、政务等复杂场景的可靠对话流,涵盖状态契约设计、

weixin_30566063的博客 364

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

上一篇: FPGA开发实战:如何用AXI4-Lite配置外设寄存器(附Verilog代码)
下一篇: 保姆级教程:用TDM-GCC为Matlab R2016b配置MinGW-w64编译器(含下载链接)
github5actions
博客等级 码龄1天 0粉丝 1824原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值