【AgentScope Java新手村系列】（4）结构化输出

2026-06-11 31

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

简介： 结构化输出 — JSON Schema 约束 LLM 输出格式，直接反序列化为 Java POJO，打通文本到对象的转换。

第四章结构化输出：用 JSON Schema 让 Agent 直接返回 Java POJO

"让 LLM 返回自然语言容易，让它返回强类型的 Java 对象很难——除非用 JSON Schema 约束。本章演示这个'文本到对象'转换的关键技巧。"

4.1 为什么需要结构化输出

默认情况下，Agent 返回的是自然语言文本。但在很多场景下，我们需要 Agent 返回结构化的数据：

从文本中提取信息（姓名、邮箱、电话）
分类任务（情感分类、意图识别）
数据生成（产品描述、测试数据）

AgentScope Java 支持让 Agent 返回指定 Java 类型的数据。2.0 沿用 1.x 的 @StructuredOutput + JSON Schema 机制，并在 Msg 上提供 getStructuredData(Class) 读取入口。

4.2 基本用法

定义输出类型

public static class ProductRequirements {
   
    public String productType;
    public String brand;
    public Integer minRam;
    public Double maxBudget;
    public List<String> features;

    public ProductRequirements() {
   }  // 必须有无参构造函数
}

注意事项：

类必须有无参构造函数
字段使用 public 修饰（或提供 getter/setter）
支持基本类型、String、List、嵌套对象
2.0 推荐在字段上加 com.fasterxml.jackson.annotation.JsonPropertyDescription，让生成的 JSON Schema 描述更清晰——LLM 填充准确率更高

调用时指定类型

import io.agentscope.core.message.UserMessage;
import io.agentscope.core.agent.RuntimeContext;

UserMessage userMsg = new UserMessage(
        "我需要一台16GB内存、苹果品牌、预算2000美元左右的笔记本电脑");

// 传入 Class 对象
Msg msg = agent.call(userMsg, ProductRequirements.class, RuntimeContext.empty()).block();

// 获取结构化数据
ProductRequirements result = msg.getStructuredData(ProductRequirements.class);
System.out.println("Product: " + result.productType);
System.out.println("Brand: " + result.brand);
System.out.println("RAM: " + result.minRam + " GB");
System.out.println("Budget: $" + result.maxBudget);

2.0 的 call(messages, returnType, ctx) 形式与 1.x 的 call(messages, returnType) 形式并存；新代码请统一传 RuntimeContext。

4.3 完整示例

以下方案通过提示词要求返回 JSON + 手动反序列化，不依赖 response_format 参数，所有模型（含 DeepSeek）都支持。

package com.example;

import com.fasterxml.jackson.databind.ObjectMapper;
import io.agentscope.core.ReActAgent;
import io.agentscope.core.agent.RuntimeContext;
import io.agentscope.core.formatter.openai.OpenAIChatFormatter;
import io.agentscope.core.message.UserMessage;
import io.agentscope.core.model.OpenAIChatModel;
import io.agentscope.core.tool.Toolkit;

import java.util.List;

public class StructuredOutputExample {
   

    private static final ObjectMapper MAPPER = new ObjectMapper();

    /** 从 LLM 回复中提取第一个 JSON 对象，忽略前后的自然语言 */
    private static String extractJson(String raw) {
   
        int start = raw.indexOf('{');
        int end = raw.lastIndexOf('}');
        if (start != -1 && end > start) {
   
            return raw.substring(start, end + 1);
        }
        throw new IllegalArgumentException("No JSON found: " + raw);
    }

    public static void main(String[] args) throws Exception {
   
        String apiKey = System.getenv("DEEPSEEK_API_KEY");

        ReActAgent agent = ReActAgent.builder()
                .name("AnalysisAgent")
                .sysPrompt("你是一个智能分析助手，始终输出纯 JSON，不要包含其他文字。")
                .model(OpenAIChatModel.builder()
                        .apiKey(apiKey)
                        .modelName("deepseek-chat")
                        .baseUrl("https://api.deepseek.com")
                        .stream(true)
                        .formatter(new OpenAIChatFormatter())
                        .build())
                .toolkit(new Toolkit())
                .build();

        RuntimeContext ctx = RuntimeContext.empty();

        // 示例 1：提取产品信息
        System.out.println("=== Product Requirements ===");
        String reply1 = agent.call(
                new UserMessage("提取产品需求：我需要一台16GB内存、苹果品牌、"
                        + "预算2000美元左右的笔记本电脑。"
                        + "请输出 JSON：{\"productType\":\"类型\", \"brand\":\"品牌\","
                        + " \"minRam\":16, \"maxBudget\":2000, \"features\":[\"特性\"]}"),
                ctx
        ).block().getTextContent();

        ProductRequirements product = MAPPER.readValue(extractJson(reply1), ProductRequirements.class);
        System.out.println("Product Type: " + product.productType);
        System.out.println("Brand: " + product.brand);
        System.out.println("Min RAM: " + product.minRam + " GB");

        // 示例 2：情感分析
        System.out.println("\n=== Sentiment Analysis ===");
        String reply2 = agent.call(
                new UserMessage("分析情感：这个产品超出了我的预期！质量很棒但配送速度慢。"
                        + "请输出 JSON：{\"sentiment\":\"正面\", \"score\":0.95, \"summary\":\"总结\"}"),
                ctx
        ).block().getTextContent();

        SentimentAnalysis sentiment = MAPPER.readValue(extractJson(reply2), SentimentAnalysis.class);
        System.out.println("Overall: " + sentiment.sentiment);
        System.out.println("Score: " + sentiment.score);
    }

    public static class ProductRequirements {
   
        public String productType;
        public String brand;
        public Integer minRam;
        public Double maxBudget;
        public List<String> features;
        public ProductRequirements() {
   }
    }

    public static class SentimentAnalysis {
   
        public String sentiment;
        public Double score;
        public String summary;
        public SentimentAnalysis() {
   }
    }
}

4.4 流式结构化输出

也可以通过 streamEvents() 拿到结构化输出（推荐）：

import io.agentscope.core.event.AgentEvent;
import io.agentscope.core.event.AgentEventType;
import io.agentscope.core.event.AgentEndEvent;
import io.agentscope.core.message.UserMessage;
import io.agentscope.core.agent.RuntimeContext;
import reactor.core.publisher.Flux;

Flux<AgentEvent> eventFlux = agent.streamEvents(
        new UserMessage("..."),
        ProductRequirements.class,
        RuntimeContext.empty());

AgentEndEvent end = eventFlux.filter(e -> e.getType() == AgentEventType.AGENT_END)
        .blockLast()
        .map(e -> (AgentEndEvent) e)
        .orElseThrow();

ProductRequirements result = end.getMessage().getStructuredData(ProductRequirements.class);

1.x 风格的 agent.stream(msg, opts, type) 仍可工作但已标注 @Deprecated(forRemoval = true)，新代码请用 streamEvents(...)。

4.5 支持的字段类型

Java 类型	JSON Schema 类型
`String`	string
`Integer`, `int`	integer
`Double`, `double`, `Float`, `float`	number
`Boolean`, `boolean`	boolean
`List<T>`	array
`Map<String, Object>`	object
嵌套对象	object
Java `record`	object（2.0 起官方推荐用 record，更简洁）

4.5.1 用 record 简化定义

2.0 推荐用 Java 17 的 record 来表达输出类型——无样板代码、字段自带 getter：

public record ProductRequirements(
        @JsonPropertyDescription("产品类型，例如 laptop / phone / tablet")
        String productType,
        @JsonPropertyDescription("品牌，例如 Apple / Dell / Lenovo")
        String brand,
        @JsonPropertyDescription("最小内存，单位 GB")
        Integer minRam,
        @JsonPropertyDescription("最高预算，单位美元")
        Double maxBudget,
        @JsonPropertyDescription("用户提到的特性关键词列表")
        List<String> features
) {
   }

加上 @JsonPropertyDescription 之后，生成的 JSON Schema 描述会带上字段说明——LLM 填充时知道每个字段的"业务含义"，准确率显著提升。

4.5.2 嵌套对象示例

public static class Address {
   
    public String street;
    public String city;
    public String country;
    public Address() {
   }
}

public static class Person {
   
    public String name;
    public Integer age;
    public Address address;        // 嵌套对象
    public List<String> hobbies;   // 列表
    public Person() {
   }
}

4.6 工作原理

当你传入一个 Class 对象时，框架会：

使用 jsonschema-generator 根据 Java 类生成 JSON Schema（@JsonPropertyDescription / @JsonProperty 都会反映到 schema 上）
将 JSON Schema 作为约束发送给 LLM（通过 response_format 参数或 system prompt 注入）
LLM 按照 Schema 格式输出 JSON
框架将 JSON 反序列化为 Java 对象
将对象放入 Msg 的结构化数据字段（msg.getStructuredData(Class) 读取）

这个过程对用户是透明的，你只需要定义 Java 类即可。

4.6.1 模型兼容性说明

结构化输出有两种实现方式：

方式	原理	模型兼容性
API 参数约束（`agent.call(msg, SomeClass.class, rt)`）	框架向 API 发送 `response_format` 参数，强制服务器校验输出为 JSON	仅 OpenAI 等部分模型支持
提示词驱动（本章示例的做法）	在 UserMessage 中写"请输出 JSON 格式：{...}"，让 LLM 按格式输出	所有模型都支持

本章的完整示例采用提示词驱动方式，因此不挑模型——DeepSeek、通义千问等均可正常使用。

如果误用了方式一（agent.call(msg, SomeClass.class, rt)），不支持的模型会报：

"This response_format type is unavailable now"

此时改用本章示例的方式即可。

4.7 最佳实践

字段名要有意义：LLM 会根据字段名理解应该填什么内容
使用合适的类型：数字用 Integer/Double，不要都用 String
List 用于多值字段：当一个字段可能有多个值时，使用 List
加 @JsonPropertyDescription：为每个字段写一句话业务描述，准确率提升明显
系统提示词配合：在 sysPrompt 中说明输出要求，提高准确率
处理异常：LLM 输出可能不符合预期，需要 try-catch 处理

try {
   
    Msg msg = agent.call(userMsg, ProductRequirements.class, ctx).block();
    ProductRequirements result = msg.getStructuredData(ProductRequirements.class);
    // 使用 result
} catch (Exception e) {
   
    System.err.println("Failed to parse structured output: " + e.getMessage());
}

4.8 2.0 增量：结构化输出与子 agent 协作

如果你在 HarnessAgent 里用子 agent 处理"先调研再汇总"的场景，可以让子 agent 返回结构化结果，主 agent 自动拿到强类型：

// 主 agent 调用子 agent，子 agent 内部 call(..., Report.class, ctx) 返回 Report
// 主 agent 拿到的 tool_result 是 Report 的 JSON 序列化
// 主 agent 的下一轮推理基于这份结构化结果继续

workspace/subagents/researcher.md 里可以显式说明子 agent 的输出 schema（用自然语言），主 agent 就能稳定地消费。

【AgentScope Java新手村系列】（4）结构化输出

第四章结构化输出：用 JSON Schema 让 Agent 直接返回 Java POJO

4.1 为什么需要结构化输出

4.2 基本用法

定义输出类型

调用时指定类型

4.3 完整示例

4.4 流式结构化输出

4.5 支持的字段类型

4.5.1 用 record 简化定义

4.5.2 嵌套对象示例

4.6 工作原理

4.6.1 模型兼容性说明

4.7 最佳实践

4.8 2.0 增量：结构化输出与子 agent 协作

阿里云百炼

热门文章

最新文章

相关电子书

【AgentScope Java新手村系列】（4）结构化输出

第四章 结构化输出：用 JSON Schema 让 Agent 直接返回 Java POJO

4.1 为什么需要结构化输出

4.2 基本用法

定义输出类型

调用时指定类型

4.3 完整示例

4.4 流式结构化输出

4.5 支持的字段类型

4.5.1 用 record 简化定义

4.5.2 嵌套对象示例

4.6 工作原理

4.6.1 模型兼容性说明

4.7 最佳实践

4.8 2.0 增量：结构化输出与子 agent 协作

阿里云百炼

热门文章

最新文章

相关电子书

第四章结构化输出：用 JSON Schema 让 Agent 直接返回 Java POJO