如何完美解锁DeepSeek-R1的结构化输出能力（基于LangChain）？

DeepSeek-R1这样的推理模型有着强大的深度思考能力，但也有着一些不同于通用模型的特点与用法，比如不支持函数调用，不支持结构化输出，o1甚至不支持系统提示(System Prompt)等。可能大家都想学习AI大模型技术，也想通过这项技能真正达到升职加薪，就业或是副业的目的，但是不知道该如何开始学习，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学。掌握DeepSeek对于转行大模

热爱python的小谢

1651人浏览 · 2025-02-18 11:22:21

热爱python的小谢 · 2025-02-18 11:22:21 发布

DeepSeek-R1这样的推理模型有着强大的深度思考能力，但也有着一些不同于通用模型的特点与用法，比如不支持函数调用，不支持结构化输出，o1甚至不支持系统提示(System Prompt)等。尽管这和它们的使用场景有关，但有时也会带来不便。今天我们就来说说结构化输出这个常见的问题。

理解结构化输出
借助辅助模型实现DeepSeek结构化输出
借助Agent实现DeepSeek结构化输出
其他问题

理解结构化输出

【什么是结构化输出】

结构化输出就是大模型在生成响应时，以一种有结构的规范化形式呈现，而不是自由文本。这种结构化的输出通常包括预定义的字段、标签、列表、表格、或者其他形式的组织化数据，而最常见也是最灵活的一种表达形式就是JSON。比如输出一个结构化的用户信息可能如下：

【为什么需要结构化输出】

结构化输出的最大意义在于：提供一种更易于程序处理的标准化数据交换格式，极大地方便应用的后续解析与处理。这些后续处理比如：

将提取的信息导入关系型数据库
自动化的填写web表格/表单
对接外部或者企业的API

这种能力对于企业级的应用，特别是在多步骤任务的Agent中，可以极大方便后续步骤的处理，并减少LLM带来的不确定性。举一个例子：

在一个自主学术研究的Agent中，希望借助DeepSeek-R1的深度思考能力，首先生成完善的研究大纲，后续再根据大纲对每一个子主题借助搜索引擎、RAG等获取参考资料，并做进一步研究。

在这个例子中，我们希望DeepSeek输出的大纲如下：

很显然，这样的输出会更方便后续程序的理解与处理。

【结构化输出的常见方式】

对于目前的很多通用模型来说，结构化输出已经不再是一个障碍，你可以通过模型提供的API参数进行强制。比如gpt-4o目前支持几种主要的结构化输出方式：

除了Function Calling（这必然会产生结构化输出）外：

JSON mode： 需要使用提示词进行限定，并在API参数中指定响应格式为json_object，这种方式可以确保输出有效的JSON格式，但具体格式需要借助提示（目前一些模型还只支持这种方式，比如阿里的qwen）。
JSON Schema：使用更加便捷，通过API传入定义的JSON Schema或者Pydantic模型即可，无需借助提示词。这种方式可以直接输出指定的对象，无需自解析。比如对于上面的例子，你可以要求模型直接输出以下的Outline对象：

# 数据模型定义
class Subsection(BaseModel):
    """子章节"""
    subsection_title: str = Field(..., description="子章节的标题")
    description: str = Field(..., description="子章节的详细内容描述")

class Section(BaseModel):
    """主要章节及其包含的子章节"""
    section_title: str = Field(..., description="章节标题")
    description: str = Field(..., description="章节内容概述")
    subsections: Optional[List[Subsection]] = Field(
        default=None,
        description="本章节中的子章节",
    )

class Outline(BaseModel):
    """完整大纲"""
    page_title: str = Field(..., description="报告标题")
    sections: List[Section] = Field(
        default_factory=list,
        description="文章的主要章节",
    )

当你指定这里的Outline为输出格式时，API将会直接返回你Outline类型的对象，极大的方便了后续处理。

注意这里的结构化输出是在API层的支持，并非简单的通过Prompt进行输出格式的限定。当然，你也可以通过提示词要求deepseek生成json格式的字符串，但存在较大的不确定性（比如内容多了个json，或者"这是你要求的json字符串"），从而导致后续解析失败。

那么现在我们需要deepseek来帮助完成Agent的某个步骤，同时希望获得稳定的结构化输出，应该如何处理呢？接下来介绍两种方式。

借助辅助模型处理

这种方法融合DeepSeek-R1的深度思考能力与通用模型的结构化输出能力（如GPT-4o）：**将R1的推理结果借助一个“辅助”模型进行“格式化”后输出，**概念流程如下：

具体到LangChain框架中，实现这种顺序流的方式又有两种，这里依次介绍。

【Chain链】

Chain是LangChain中最核心的概念。它将多个步骤或组件连接在一起，实现复杂的处理任务。借助LCEL（Langchain表达式语言）可以快速构建这个Chain：

......

# deepseek提示
system_prompt_deepseek = ChatPromptTemplate.from_template("""
针对用户提供的主题, 撰写一篇研究报告的大纲。要求全面且具体。我的主题：{topic}
""")

# 内容格式化提示
system_prompt_format = ChatPromptTemplate.from_template("""
你是一个内容格式化专家, 只负责将输入内容转化为结构化输出, 不要做额外思考。我的内容：{draft}
""")

# deepseek模型
llm_ollama_deepseek = ChatOllama(model='deepseek-r1:1.5b')

# openai模型：使用with_structured_output强制结构化输出
llm_openai = ChatOpenAI(model='gpt-4o-mini').with_structured_output(Outline)

# 创建 LangChain 的 chain
chain = system_prompt_deepseek | llm_ollama_deepseek | system_prompt_format | llm_openai

我们对这个Chain进行测试：

......

    response = await chain.ainvoke({"topic":"deepseek-r1的技术原理与创新分析"})
    print("\n生成的大纲：")
    print(response.as_str)

输出如下，我们可以得到一个非常干净的结构化输出的大纲（这里输出的response实际是一个上面定义的Outline对象，这里通过一个简单的as_str进行转化打印）：

【LangGraph工作流】

既然是一个流式任务，当然也可以通过LangGraph来实现，构建这样一个简单的Graph即可：

这里核心的state与node定义如下：

...
class State(TypedDict):
    """图的状态类型"""
    topic: str
    draft: str | None
    output: Outline | None

def deepseek_node(state: State) -> State:
    
    """使用deepseek模型处理输入任务"""
    ollama = ChatOllama(model="deepseek-r1:1.5b")
    messages = [SystemMessage(content='针对用户提供的主题，撰写一篇研究报告的大纲。要求全面且具体'),
    HumanMessage(content=state["topic"])]
    response = ollama.invoke(messages)
    state["draft"] = response.content
    return state

def formatter_node(state: State) -> State:

    """使用GPT-4o处理并格式化输出"""
    llm = ChatOpenAI(model="gpt-4o-mini").with_structured_output(Outline)
    messages = [SystemMessage(content='你是一个内容格式化专家,只负责将输入内容转化为结构化输出，不要做额外思考'),
    HumanMessage(content=f'我的内容: {state["draft"]}')]
    response = llm.invoke(messages)
    state["output"] = response
    return state

剩下的工作就是创建Graph并测试，交给读者们自行完成。

以上的两种方法（Chain或者Graph）都可以达到相同的目的，Chain实现相对简洁，适合在普通的应用中使用；而如果你本身就是一个需要使用LangGraph来实现的复杂Agent应用，那么可以参考第二种：增加一个专门的formatter节点即可。

借助ReActAgent实现

这种方法的思想是借助Agent的思想，让deepseek的深度思考作为一个Agent可以使用的工具，在这个工具（使用deepseek模型）获得思考结果后，再通过结构化输出的模型进行格式化（使用gpt-4o模型）。概念如下图：

由于这是一个React类型的Agent，因此其更适合在多Agent应用环境中使用，让其与其他Agent通过协作完成更复杂的任务。

【构建Tool】

首先创建一个使用deepseek-r1进行思考的工具，输入是研究主题，输出则是思考结果（自由文本表达的研究大纲）。

@tool
def deepseek_research(prompt: str) -> str:
    """
        对输入的研究任务进行思考,并生成研究大纲的草稿
        args:
            prompt(str): 输入的研究任务描述
        return:
            result(str): 思考结果
    """
    print('start think...')
    messages = [HumanMessage(content=f'针对用户提供的主题，撰写一篇研究报告的大纲。要求全面且具体。我的主题：{prompt}')]
    result = llm_ollama_deepseek.invoke(messages)
    print(result.content)
    return result.content

【创建ReAct Agent】

借助LangChain的prebuilt函数快速的构建一个ReAct Agent来使用这个Tool。为了让这个Agent必须使用这个Tool，可能需要在提示词上适当调优。参考如下代码：

...
llm = ChatOpenAI(model='gpt-4o-mini')
agent = create_react_agent(llm, response_format=Outline, tools=[deepseek_research])
response = agent.invoke({"messages":[
    SystemMessage(content="请首先使用工具(deepseek_research)来生成研究大纲草稿,然后对草稿进行格式化输出。请注意把输入主题直接交给工具，不要做思考与加工。以下是我的研究主题。"),
    HumanMessage(content="deepseek-r1技术原理与创新分析")]})
last_message = response["structured_response"]
print(last_message.as_str)

注意这里与上面两种方法的不同之处在于：不直接调用llm的with_structured_output方法，而是在create_react_agent方法中指定response_format参数（本质上一样）。

其他问题

以上展示了两种方法来给DeepSeek-R1这样的推理模型“嫁接”上稳定的结构化输出的能力，以帮助在复杂的企业级应用中对接其他流程或任务。

这里还有最后一个问题：如果我的辅助模型不是gpt-4o这样具备便捷的结构化输出接口的模型怎么办（即不支持使用JSON Schema或者Pydantic模型定义输出格式）？方法就是借助JSON mode，以qwen模型为例，通常包括几个步骤：

\1. 在API调用时指定JSON mode，比如qwen系列模型中：

response_format={"type": "json_object"}

\2. 在提示词中明确要求进行JSON结构化输出，并指定格式。

\3. 由于这种方式的API不会直接输出对象，因此你需要对结果字符串做解析：

json_object = json.loads(result)

OK，借助以上介绍的几种方法，现在你可以把DeepSeek更加如鱼得水接入到你的应用中，感受其强大的威力。

DeepSeek无疑是2025开年AI圈的一匹黑马，在一众AI大模型中，DeepSeek以低价高性能的优势脱颖而出。DeepSeek的上线实现了AI界的又一大突破，各大科技巨头都火速出手，争先抢占DeepSeek大模型的流量风口。

DeepSeek的爆火，远不止于此。它是一场属于每个人的科技革命，一次打破界限的机会，一次让普通人也能逆袭契机。

DeepSeek的优点

read-normal-img

掌握DeepSeek对于转行大模型领域的人来说是一个很大的优势，目前懂得大模型技术方面的人才很稀缺，而DeepSeek就是一个突破口。现在越来越多的人才都想往大模型方向转行，对于想要转行创业，提升自我的人来说是一个不可多得的机会。

那么应该如何学习大模型

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

想正式转到一些新兴的 AI 行业，不仅需要系统的学习AI大模型。同时也要跟已有的技能结合，辅助编程提效，或上手实操应用，增加自己的职场竞争力。

大模型岗位需求越来越大，但是相关岗位人才难求，薪资持续走高，AI运营薪资平均值约18457元，AI工程师薪资平均值约37336元，大模型算法薪资平均值约39607元。

read-normal-img

掌握大模型技术你还能拥有更多可能性：

• 成为一名全栈大模型工程师，包括Prompt，LangChain，LoRA等技术开发、运营、产品等方向全栈工程；

• 能够拥有模型二次训练和微调能力，带领大家完成智能对话、文生图等热门应用；

• 薪资上浮10%-20%，覆盖更多高薪岗位，这是一个高需求、高待遇的热门方向和领域；

• 更优质的项目可以为未来创新创业提供基石。

可能大家都想学习AI大模型技术，也想通过这项技能真正达到升职加薪，就业或是副业的目的，但是不知道该如何开始学习，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学。为了让大家少走弯路，少碰壁，这里我直接把都打包整理好，希望能够真正帮助到大家。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

read-normal-img

第一阶段：从大模型系统设计入手，讲解大模型的主要方法；

第二阶段：在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段：大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；
第四阶段：大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；
第五阶段：大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
第六阶段：以SD多模态大模型为主，搭建了文生图小程序案例；
第七阶段：以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈
光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

read-normal-img