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的开源框架，而LangChain-Ollama则是其与Ollama模型服务集成的专用组件。Ollama是一个本地运行大型语言模型的工具，支持多种开源模型。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模型推理内容解析的支持。

结构化输出方法的重大改进

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。这个功能允许开发者从语言模型获取结构化数据输出，而非传统的非结构化文本。

新版本默认采用了Ollama专门设计的结构化输出特性（对应method="json_schema"参数）。这种方式直接利用Ollama模型内置的结构化输出能力，相比之前版本使用的工具调用（tool-calling）方法，具有更高的效率和可靠性。

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

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

这一改变反映了LangChain团队对Ollama最新特性的快速适配，同时也为开发者提供了更灵活的选择空间。

Deepseek模型推理内容解析支持

0.3.0版本新增了对Deepseek模型推理内容的解析能力。Deepseek模型在生成回答时会产生特殊的推理标记（如<think>...</think>），这些内容包含了模型思考过程的关键信息。

通过设置extract_reasoning=True参数，开发者可以轻松获取这些有价值的中间推理过程：

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

result = llm.invoke("What is 3^3?")
# 获取常规回答内容
result.content  
# 获取模型推理过程
result.additional_kwargs["reasoning_content"]  

这一特性对于需要理解模型决策过程、进行教学演示或调试复杂问题的场景特别有用，为开发者提供了更深入的模型行为洞察。

其他改进与优化

除了上述两项主要特性外，0.3.0版本还包含多项改进：

1. 字符串值解析优化：修复了工具调用中参数解析的问题，提高了结构化数据处理的准确性。
2. 嵌入模型支持keep_alive参数：增强了长时间会话场景下的性能表现。
3. 结构化输出的追踪功能改进：提升了开发调试体验。
4. 基础消息文本处理优化：增强了消息处理的鲁棒性。
5. 构建系统升级：项目内部构建工具迁移到uv，提高了开发效率。

这些改进共同提升了LangChain-Ollama组件的稳定性、性能和开发体验，使其成为构建基于Ollama模型应用更强大的工具。

对于正在使用LangChain框架与Ollama模型服务的开发者，0.3.0版本提供了更高效、更灵活的结构化数据处理方式，以及更深入的模型行为分析能力，值得考虑升级。