大家好，欢迎来到第二期 AI Agent 系列。
上一期我们聊了一个很重要的东西：
👉 LangGraph + Agent 的本质，其实是一个“状态驱动的工作流”。
如果你听完第一期，应该已经知道：
- Agent 负责“决策”
- Tool 负责“执行”
- LangGraph 负责“流程”
但很多人做到这一步，会遇到两个非常现实的问题：
👉 为什么我的 Agent 不受控？
👉 为什么 AI 输出的东西，程序根本没法用？
所以今天这一期，我们就聊两个核心能力：
👉 Middleware（控制层）
👉 Structured Output（结构化输出）
这两个东西，直接决定：
👉 你的 AI 系统是“玩具”还是“工程系统”
🧠 Part 1：什么是 Middleware？
我们先问一个问题：
👉 如果用户骂人，你的 AI 要不要回复？
如果你只靠 prompt：
“请不要回答不文明用户”
👉 听起来合理，但问题是：
- 模型可能不听
- 有时候会失效
- 不稳定
所以工程上，我们不会这样做。
🔥 正确做法是：Middleware
你可以把 Middleware 理解成：
👉 Agent 的“保安 + 审查员”
🧩 它在系统中的位置是这样的：
用户输入
↓
Middleware（检查/拦截）
↓
Agent（思考 + 调工具）
↓
Middleware（处理结果）
↓
输出
✨ 举个非常真实的例子
def middleware(state, next):
user_input = state["messages"][-1]["content"]
if "脏话" in user_input:
return {"output": "请文明用语"}
return next(state)
👉 这段代码做了什么？
- 拦截输入
- 判断风险
- 直接返回
👉 完全不经过模型
🔑 关键理解
👉
Middleware 是“强控制”
而 Prompt 是“弱约束”
🧠 工程里的分层其实是这样：
用户
↓
Middleware（控制）
↓
Agent（决策）
↓
Tool（执行）
👉 所以：
- 安全 → Middleware
- 推理 → Agent
- 动作 → Tool
🧠 Part 2：为什么需要结构化输出？
我们换个问题：
👉 如果 AI 告诉你：
“订单金额是 100 元，邮箱是 xxx@gmail.com”
你要怎么用？
❌ 常见做法（错误）
- 用字符串解析
- 写正则
- 拆文本
👉 非常不稳定
✅ 正确做法：结构化输出
{
"amount": 100,
"email": "xxx@gmail.com"
}
🔥 为什么这很重要？
因为：
👉 AI 的输出，要进入你的系统
而系统只认：
👉 结构，不认自然语言
🧠 本质理解
👉
LLM 负责“理解”
程序负责“执行”
✨ 在 LangChain 里怎么做？
你可以用 Pydantic 定义结构：
from pydantic import BaseModel
class OrderInfo(BaseModel):
amount: int
email: str
👉 模型会被约束输出这个结构
🔑 核心升级
你要从：
👉 “让 AI 说话”
升级到：
👉 “让 AI 输出数据”
🔥 Part 3：这两个能力为什么这么重要？
我们总结一下👇
🧩 Middleware 解决什么？
👉 可控性
- 安全
- 日志
- 限制行为
🧩 Structured Output 解决什么？
👉 可用性
- 稳定
- 可解析
- 可接系统
🎯 一句话总结
👉
Middleware 决定你能不能“控制 AI”
Structured Output 决定你能不能“用 AI”
🚀 结尾
如果你只会：
- 写 prompt
- 调 API
👉 那你只能做 demo
但如果你掌握了：
- Middleware
- Structured Output
👉 你就可以开始做：
- AI 客服
- 自动审批流
- 企业级 Agent
下一期我们可以聊一个更实战的内容：
👉 手把手做一个完整 Agent 系统（带 LangGraph）
如果你觉得这一期有帮助，可以点个赞 👍
我们下期见。
