第 2 节：Prompt 与结构化解析

1. 先看配置

MOCK_MODE 默认开启，保证没密钥也能启动。切到真实模型时填写代码顶部的 API Key。API Key 只保存在你本机代码里，不要上传；若误提交，应到服务商后台撤销并重新生成。

MOCK_MODE = True
OPENAI_API_KEY = ""
OPENAI_MODEL = "gpt-4o-mini"
OPENAI_BASE_URL = ""

2. Schema 是模型与程序之间的约定

ResearchQuery 规定模型返回公司、市场、代码以及是否查询行情/资料。证券代码可以是 null；模型不确定时应该留空，而不是编一个代码。

class ResearchQuery(BaseModel):
    company: str | None = Field(default=None, description="公司或证券名称")
    market: Literal["CN", "HK", "US", "unknown"] = "unknown"
    symbol: str | None = Field(default=None, description="无法确认时为 null")
    needs_quote: bool = False
    needs_search: bool = False

3. Prompt 要把规则写清楚

系统消息负责稳定约束，用户消息只放本次问题。with_structured_output 让 LangChain 把模型响应解析并校验为 Pydantic 对象。

QUERY_PROMPT = ChatPromptTemplate.from_messages([
    ("system", "只提取用户明确提到的公司信息，不猜证券代码。判断是否需要行情或最新资料。"),
    ("human", "{question}"),
])

parsed = (QUERY_PROMPT | model.with_structured_output(ResearchQuery)).invoke(
    {"question": question}
)

Mock 模式用本地确定性规则代替模型解析，所以输出不会假装是模型生成。需要支持结构化输出的聊天模型才能使用真实模式。

4. 回到完整项目

上述代码已在第 1 节完整源码中，文件下载仍从实战首页获取。试着比较“最近有什么新闻”和“股价怎么样”这两类问题，观察 needs_search 与 needs_quote 的区别。