LangChain 出力戦略
LangChain は3つの構造化出力戦略を提供しています。それらの違いと動作原理を理解することで、さまざまなシナリオで最適な選択ができます。
3つの戦略の概要
| 戦略 | 原理 | モデル対応 | 応答速度 |
|---|---|---|---|
| ToolStrategy | Schema をツールに見せかけ、モデルがこのツールを「呼び出して」構造化データを出力する | function calling をサポートするすべてのモデル | 遅い（ツール呼び出しが1回多い） |
| ProviderStrategy | モデルネイティブの構造化出力機能を使用する（例：OpenAI の response_format） | 一部のモデル（GPT-4o+、Claude 3+ など） | 速い（直接出力） |
| AutoStrategy | モデルの能力を自動検出し、最適な戦略を選択する | 自動適応 | 自動で最適を選択 |
ToolStrategy——ツール呼び出しモード
ToolStrategy は互換性が最も高い方法です。Schema を「偽のツール」に変換し、モデルがこのツールを呼び出すことで構造化データを出力します。
例
from pydantic import BaseModel, Field
from langchain.agents import create_agent
from langchain.agents.structured_output import ToolStrategy
from langchain.chat_models import init_chat_model
from langchain.messages import HumanMessage
class WeatherReport(BaseModel):
"""天气报告"""
city: str = Field(description="城市名称")
temperature: float = Field(description="温度（摄氏度）")
condition: str = Field(description="天气状况")
humidity: int = Field(description="湿度百分比")
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
# 显式指定使用 ToolStrategy
agent = create_agent(
model=model,
response_format=ToolStrategy(schema=WeatherReport),
system_prompt="あなたは天気アシスタントです。ユーザーの説明に基づいて構造化された天気レポートを生成します。",
)
result = agent.invoke({
"messages": [HumanMessage(content="杭州今天晴天，温度25度，湿度60%")]
})
report = result["structured_response"]
print(f"城市: {report.city}")
print(f"温度: {report.temperature}°C")
print(f"状况: {report.condition}")
print(f"湿度: {report.humidity}%")
# 実行プロセスを確認する——ツール呼び出しのメッセージが1つ増えていることがわかる
print(f"\n消息总数: {len(result['messages'])}")
for msg in result["messages"]:
print(f" [{msg.type}]", end="")
if hasattr(msg, 'tool_calls') and msg.tool_calls:
print(f" 调用: {[tc['name'] for tc in msg.tool_calls]}")
elif msg.type == "tool":
print(f" {msg.content[:60]}")
else:
print(f" {str(msg.content)[:60]}")
from langchain.agents import create_agent
from langchain.agents.structured_output import ToolStrategy
from langchain.chat_models import init_chat_model
from langchain.messages import HumanMessage
class WeatherReport(BaseModel):
"""天气报告"""
city: str = Field(description="城市名称")
temperature: float = Field(description="温度（摄氏度）")
condition: str = Field(description="天气状况")
humidity: int = Field(description="湿度百分比")
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
# 显式指定使用 ToolStrategy
agent = create_agent(
model=model,
response_format=ToolStrategy(schema=WeatherReport),
system_prompt="あなたは天気アシスタントです。ユーザーの説明に基づいて構造化された天気レポートを生成します。",
)
result = agent.invoke({
"messages": [HumanMessage(content="杭州今天晴天，温度25度，湿度60%")]
})
report = result["structured_response"]
print(f"城市: {report.city}")
print(f"温度: {report.temperature}°C")
print(f"状况: {report.condition}")
print(f"湿度: {report.humidity}%")
# 実行プロセスを確認する——ツール呼び出しのメッセージが1つ増えていることがわかる
print(f"\n消息总数: {len(result['messages'])}")
for msg in result["messages"]:
print(f" [{msg.type}]", end="")
if hasattr(msg, 'tool_calls') and msg.tool_calls:
print(f" 调用: {[tc['name'] for tc in msg.tool_calls]}")
elif msg.type == "tool":
print(f" {msg.content[:60]}")
else:
print(f" {str(msg.content)[:60]}")
実行結果：
都市: 杭州 気温: 25.0°C 状況: 晴天 湿度: 60% メッセージ総数: 4 [human] 杭州今天晴天，温度25度，湿度60% [ai] 调用: ['WeatherReport'] [tool] Returning structured response: ... [ai]
ToolStrategy にはツール呼び出しのステップ（WeatherReport という「偽のツール」の呼び出し）が追加され、その後に構造化出力が行われることがわかります。
handle_errors——エラーリトライ
ToolStrategy は、構造化出力でエラーが発生した場合に自動リトライをサポートしています：
例
from langchain.agents.structured_output import ToolStrategy
# handle_errors=True：输出格式错误时，将错误信息反馈给模型重试
strategy_with_retry = ToolStrategy(
schema=WeatherReport,
handle_errors=True, # 默认 False
)
# handle_errors はカスタムエラーメッセージテンプレートにすることもできます。
strategy_custom_error = ToolStrategy(
schema=WeatherReport,
handle_errors="格式有误，请按 {error} 修正后重新输出",
)
# handle_errors=True：输出格式错误时，将错误信息反馈给模型重试
strategy_with_retry = ToolStrategy(
schema=WeatherReport,
handle_errors=True, # 默认 False
)
# handle_errors はカスタムエラーメッセージテンプレートにすることもできます。
strategy_custom_error = ToolStrategy(
schema=WeatherReport,
handle_errors="格式有误，请按 {error} 修正后重新输出",
)
ProviderStrategy——ネイティブ構造化出力
ProviderStrategy は、モデルプロバイダーのネイティブ機能（例：OpenAI の response_format パラメータ）を使用します。すべてのモデルが対応しているわけではありません。
例
from pydantic import BaseModel, Field
from langchain.agents import create_agent
from langchain.agents.structured_output import ProviderStrategy
from langchain.chat_models import init_chat_model
from langchain.messages import HumanMessage
class CourseInfo(BaseModel):
"""课程信息"""
name: str = Field(description="课程名称")
level: str = Field(description="难度：入门/进阶/高级")
price: str = Field(description="价格信息")
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
# 显式指定 ProviderStrategy
agent = create_agent(
model=model,
response_format=ProviderStrategy(schema=CourseInfo),
system_prompt=「あなたはサンプルのコースアシスタントです。」,
)
result = agent.invoke({
"messages": [HumanMessage(content=Python3の基本チュートリアルは初心者向けの無料コースです。)]
})
course = result["structured_response"]
print(f"课程: {course.name}")
print(f"难度: {course.level}")
print(f"价格: {course.price}")
print(f"\n消息数: {len(result['messages'])}") # 比 ToolStrategy 少
from langchain.agents import create_agent
from langchain.agents.structured_output import ProviderStrategy
from langchain.chat_models import init_chat_model
from langchain.messages import HumanMessage
class CourseInfo(BaseModel):
"""课程信息"""
name: str = Field(description="课程名称")
level: str = Field(description="难度：入门/进阶/高级")
price: str = Field(description="价格信息")
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
# 显式指定 ProviderStrategy
agent = create_agent(
model=model,
response_format=ProviderStrategy(schema=CourseInfo),
system_prompt=「あなたはサンプルのコースアシスタントです。」,
)
result = agent.invoke({
"messages": [HumanMessage(content=Python3の基本チュートリアルは初心者向けの無料コースです。)]
})
course = result["structured_response"]
print(f"课程: {course.name}")
print(f"难度: {course.level}")
print(f"价格: {course.price}")
print(f"\n消息数: {len(result['messages'])}") # 比 ToolStrategy 少
実行結果：
コース: Python3 基础教程 難易度: 入门 価格: 免费 メッセージ数: 2
ToolStrategy と比較すると、ProviderStrategy は追加のツール呼び出しステップが不要なため、メッセージ数が少なくなります（2件 vs 4件）。
ProviderStrategy は現在、主に OpenAI の GPT-4o 以降と Claude 3 以降でサポートされています。モデルが非対応の場合、LangChain は自動的に ToolStrategy にフォールバックします。モデルが対応しているかどうかは、model.profile で確認できます。
AutoStrategy——自動選択
最も推奨される方法です。Pydantic モデル（戦略オブジェクトではなく）を渡すと、LangChain が自動的に最適な戦略を選択します：
例
from pydantic import BaseModel, Field
from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
from langchain.messages import HumanMessage
class Analysis(BaseModel):
"""分析结果"""
summary: str = Field(description="一句话总结")
score: int = Field(description="评分 1~10")
pros: list[str] = Field(description="优点列表")
cons: list[str] = Field(description="缺点列表")
# 直接传入 Pydantic 模型——LangChain 自动选择策略
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
agent = create_agent(
model=model,
response_format=Analysis, # 直接传模型，自动选择策略
system_prompt="あなたはコース評価の専門家であり、ユーザーが説明したコースを評価します。",
)
result = agent.invoke({
"messages": [HumanMessage(
content=サンプル の Python コース：内容は体系のかつ包括の、
"实例丰富，而且完全免费。但视频教程较少，"
"高级内容覆盖不够。"
)]
})
analysis = result["structured_response"]
print(f"总结: {analysis.summary}")
print(f"评分: {analysis.score}/10")
print(f"优点: {', '.join(analysis.pros)}")
print(f"缺点: {', '.join(analysis.cons)}")
from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
from langchain.messages import HumanMessage
class Analysis(BaseModel):
"""分析结果"""
summary: str = Field(description="一句话总结")
score: int = Field(description="评分 1~10")
pros: list[str] = Field(description="优点列表")
cons: list[str] = Field(description="缺点列表")
# 直接传入 Pydantic 模型——LangChain 自动选择策略
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
agent = create_agent(
model=model,
response_format=Analysis, # 直接传模型，自动选择策略
system_prompt="あなたはコース評価の専門家であり、ユーザーが説明したコースを評価します。",
)
result = agent.invoke({
"messages": [HumanMessage(
content=サンプル の Python コース：内容は体系のかつ包括の、
"实例丰富，而且完全免费。但视频教程较少，"
"高级内容覆盖不够。"
)]
})
analysis = result["structured_response"]
print(f"总结: {analysis.summary}")
print(f"评分: {analysis.score}/10")
print(f"优点: {', '.join(analysis.pros)}")
print(f"缺点: {', '.join(analysis.cons)}")
実行結果：
要約: サンプル Python 课程内容系统且免费，但缺乏视频教学和高级内容 評価: 7/10 長所: 内容系统全面, 实例丰富, 完全免费 短所: 视频教程较少, 高级内容覆盖不够
3つの戦略の選択ガイド
| シナリオ | 推奨戦略 | 理由 |
|---|---|---|
| モデルがネイティブ出力をサポートしているか不明 | AutoStrategy（Pydantic を直接渡す） | 自動で最適な戦略を選択 |
| さまざまなモデルとの互換性が必要 | ToolStrategy | function calling をサポートするすべてのモデルで利用可能 |
| 最高のパフォーマンスを追求 | ProviderStrategy | ツール呼び出しのステップをスキップして高速化 |
| エラーリトライが必要 | ToolStrategy(handle_errors=True) | handle_errors をサポートするのは ToolStrategy のみ |
その他の拡張ほとんどの場合、Pydantic モデルを直接渡す（つまり AutoStrategy を使用する）だけで十分です。エラーリトライが必要な場合や、戦略の動作を明示的に制御したい場合にのみ、ToolStrategy または ProviderStrategy を明示的に指定する必要があります。