在昨天的文章中，我們探討了Structured Output Engineering的核心本質——透過約束解碼與Schema約束，將LLM原生發散的文字輸出收斂成100% 型別安全（Type-safe）的結構化資料

今天我們進入實戰篇：在真實專案中，我們該如何使用 Pydantic 定義資料契約、透過LangChain / OpenAI SDK啟用嚴格模式（Strict Mode），並將模型輸出的資料無縫寫入下游資料庫？

一、實戰場景：電商客服對話抽取與資料庫入庫

假設我們的工作流需要從非結構化的客戶對話中，自動提取以下資訊並寫入資料庫：

1. 客戶意圖（Intent）：僅限退貨、換貨或物流查詢
2. 訂單編號（Order ID）：若有提及則提取，否則為空
3. 退換貨原因標籤（Reason Tags）：字串陣列
4. 急迫程度評分（Urgency Score）：整數1到5

二、核心實作 1：使用 Pydantic 定義資料契約（Schema Contract）

在Python中，Pydantic是定義結構化輸出的黃金標準
透過型別提示與 Field 描述，我們不僅建立了資料驗證規則，同時也完成了對模型的提示詞引導

from typing import List, Optional, Literal
from pydantic import BaseModel, Field

class OrderActionSchema(BaseModel):
    intent: Literal["RETURN", "EXCHANGE", "TRACKING", "OTHER"] = Field(
        description="客戶的核心業務意圖"
    )
    order_id: Optional[str] = Field(
        default=None,
        description="提取出的訂單編號（例如 ORD-12345），若未提及則為 None"
    )
    reason_tags: List[str] = Field(
        default_factory=list,
        description="提取出的具體原因關鍵詞標籤清單，例如 ['尺寸不合', '外包裝破損']"
    )
    urgency_score: int = Field(
        ge=1, le=5,
        description="客戶情緒的急迫程度評級，範圍為 1（不急）到 5（極度緊急）"
    )

三、核心實作 2：利用 LangChain / OpenAI 啟用嚴格結構化輸出

現代SDK多已內建 .with_structured_output() 方法，能底層啟用 json_schema 嚴格約束（Strict Mode），直接回傳已反序列化完成的 Pydantic 物件

import os
from langchain_openai import ChatOpenAI

# 初始化支援結構化輸出的模型
llm = ChatOpenAI(
    model="gpt-4o-mini",
    temperature=0.0
)

# 綁定 Pydantic Schema，開啟嚴格結構化解析
structured_extractor = llm.with_structured_output(
    OrderActionSchema,
    method="json_schema",
    strict=True
)

# 模擬客服對話文字
user_chat = """
您好，我三天前買的衣服送來了，訂單編號是 ORD-8899。
但是寄來的顏色完全寄錯，而且明天我出國就要穿，麻煩你們務必今天幫我處理換貨！真的非常急！
"""

# 執行結構化抽取
result: OrderActionSchema = structured_extractor.invoke(
    f"請從以下對話中抽取結構化資訊：\n\n{user_chat}"
)

# 輸出結果保證為型別安全的 Pydantic 物件
print(type(result))            # <class '__main__.OrderActionSchema'>
print(result.intent)          # EXCHANGE
print(result.order_id)        # ORD-8899
print(result.reason_tags)     # ['顏色寄錯', '急需出國使用']
print(result.urgency_score)   # 5

四、核心實作 3：下游無縫整合——寫入 SQLite 資料庫

因為輸出已經是標準的Python物件，下游程式碼可以直接進行型別檢查、條件分支判斷，並直接與ORM或資料庫驅動整合，完全不需要撰寫脆弱的Regex或手動 json.loads()

import sqlite3

def init_db():
    conn = sqlite3.connect("support_system.db")
    cursor = conn.cursor()
    cursor.execute("""
        CREATE TABLE IF NOT EXISTS support_tickets (
            id INTEGER PRIMARY KEY AUTOINCREMENT,
            order_id TEXT,
            intent TEXT,
            reasons TEXT,
            urgency INTEGER
        )
    """)
    conn.commit()
    conn.close()

def save_extracted_ticket(ticket: OrderActionSchema):
    conn = sqlite3.connect("support_system.db")
    cursor = conn.cursor()
    
    # 直接使用型別安全的屬性寫入資料庫
    cursor.execute("""
        INSERT INTO support_tickets (order_id, intent, reasons, urgency)
        VALUES (?, ?, ?, ?)
    """, (
        ticket.order_id,
        ticket.intent,
        ", ".join(ticket.reason_tags),
        ticket.urgency_score
    ))
    
    conn.commit()
    conn.close()
    print(f"成功入庫：訂單 {ticket.order_id}，意圖 {ticket.intent}，緊急度 {ticket.urgency_score}")

# 初始化並儲存
init_db()
save_extracted_ticket(result)

五、實戰進階：解析防禦與自動修復管線（Validation & Retry Pipeline）

在某些不支援原生 json_schema 嚴格約束的小型開源模型上，若偶發輸出格式不符，我們可以透過Pydantic的 ValidationError 結合重試管線（Retry Parser）進行自我修復：

[LLM 輸出非標準 JSON / 欄位遺失]
             │
             ▼
   [Pydantic 驗證失敗] ───> 攔截 ValidationError
             │
             ▼
[將原始錯誤訊息回傳給 LLM]
"你輸出的 JSON 缺少了 'urgency_score' 欄位，請修正並重新輸出。"
             │
             ▼
     [LLM 自動修復並重新輸出]

六、實戰總結：結構化輸出工程架構檢視

小結與下集預告

掌握了Structured Output Engineering，我們徹底打通了從「LLM 文字生成」到「傳統軟體與資料庫」之間的型別壁壘，讓 LLM 能作為可靠的資料轉換模組存在於系統中

然而，單純讓模型「輸出結構化資料」還不足以讓它成為自主運作的Agent
真正的Agent還必須能夠主動**「調用外部系統、查詢即時天氣、打 API 獲取即時資料」**。

明天 【Day 8】甚麼是 Tool Calling Engineering，我們將探討現代 Agent 如何透過 Function Calling / Tool Calling 具備「使用工具、干涉外部世界」的能力！