LangChain-Ollama 0.3.0版本发布：结构化输出与推理内容解析能力升级

LangChain是一个用于构建基于语言模型应用程序的开源框架，而Ollama则是LangChain生态中用于本地运行大型语言模型的重要组件。最新发布的LangChain-Ollama 0.3.0版本带来了两项重要改进：结构化输出方法的优化和Deepseek模型推理内容的解析支持。

结构化输出功能升级

在0.3.0版本中，with_structured_output方法的默认实现方式发生了重要变化。现在默认使用Ollama原生的结构化输出功能（对应method="json_schema"），而不是之前的工具调用（tool-calling）方式。

这种变化带来了几个优势：

1. 性能提升：直接使用Ollama的结构化输出功能通常比工具调用方式更高效
2. 代码简化：减少了中间转换步骤，使输出更加直接
3. 兼容性增强：更好地支持各种Ollama模型的结构化输出需求

对于需要保持旧行为的用户，可以通过显式指定method="function_calling"来恢复之前的工具调用方式：

llm = ChatOllama(model="...").with_structured_output(
    schema, method="function_calling"
)

Deepseek模型推理内容解析

新版本增加了对Deepseek等模型推理内容的解析能力。这些模型在生成回答时，会同时输出推理过程（通常包裹在<think>标签中）。0.3.0版本可以自动提取这些内容，使开发者能够同时获取最终答案和模型的思考过程。

使用示例：

llm = ChatOllama(model="deepseek-r1:1.5b", extract_reasoning=True)

result = llm.invoke("3的立方是多少？")
print(result.content)  # 输出最终答案
print(result.additional_kwargs["reasoning_content"])  # 输出推理过程

这一功能对于教育类应用、调试模型行为或需要展示完整推理链的场景特别有价值。

其他改进

1. 参数解析优化：修复了工具调用中字符串值解析的问题，提高了参数处理的准确性
2. 嵌入功能增强：支持在嵌入操作中设置keep_alive参数，优化了长时间运行的嵌入任务
3. 结构化输出追踪：改进了结构化输出的追踪功能，便于调试和分析
4. 基础消息处理：增强了基础消息的文本处理能力
5. 构建系统升级：项目构建系统迁移到uv工具，提高了依赖管理的效率和可靠性

升级建议

对于现有项目，建议开发者：

1. 测试结构化输出的变化是否影响现有功能
2. 评估是否需要显式指定method="function_calling"以保持旧行为
3. 考虑在适合的场景中使用推理内容解析功能，提升应用透明度

LangChain-Ollama 0.3.0的这些改进，使得本地运行大型语言模型的应用开发更加灵活和强大，特别是在需要结构化输出和透明推理过程的场景中。