使用LangGraph调用大模型：结构化输出特定模式

基本配置

自定义agent结构化输出 （现在Tongyi大模型好像不支持，尝试了多次不行）
模型调用通义千问（阿里Tongyi大模型）

结构化输出

要生成符合特定模式的结构化响应，需要使用response_format参数。
可以使用Pydantic模型或定义TypedDict。结果可通过structured_response字段访问。

运行示例

# -*- coding: utf-8 -*-
from langgraph.prebuilt import create_react_agent
from langchain_community.chat_models.tongyi import ChatTongyi #dashscope #阿里云Tongyi大模型
from pydantic import BaseModel,Field

#模型初始化
llm = ChatTongyi(
    model="qwen-turbo",#qwen-max-latest qwen-plus
    temperature=0,
    verbose=True,
    )

#定义一个工具函数
def get_ICBC(city: str) -> str:  
    """获得中国工商银行的保险信息"""
    return f"工银安盛人寿保险有限公司 简称工银安盛人寿!"

#结构化输出 可选地，structured_response 如果配置了结构化输出。
class structResponse(BaseModel):
    """返回时要结构化输出信息"""
    #nike_name: str =  Field(description="简称是什么")
    request_user: str =  Field(description="用户为了什么")
    all: str =  Field(description="总结下")

#构建一个智能体
agent = create_react_agent(
    model=llm,
    tools=[get_ICBC],
    response_format=structResponse
)

response = agent.invoke(
    {"messages": [{"role": "user", "content": "你能告诉杭州中国工商银行的保险名称？"}]}
)

# print(response)
print(response["messages"][-1])

print(response["structured_response"])

运行截图

结构化输出需要额外调用 LLM 来根据模式格式化响应。

#定义结构化输出 最简单示例
class StructResponse(BaseModel):
    conditions: str

下一节：

agent运行方式:

• 1.同步和异步执行
• 2.同步和异步的流式输出
• 3.reAct的设置最大迭代次数