AI 大模型飞速进化，不懂 AI、不会用 Agent 的程序员，正在慢慢被行业淘汰。现在 AI 新技术迭代快到离谱：RAG 还没学明白，MCP 接踵而来；工具刚上手，Skills、各类新 Agent 概念又轮番刷屏；Manus还没看懂，就出来OpenClaw，OpenClaw热度还没退，又出来Hermes。越追越乱、越学越焦虑，永远在被动跟风，陷入学不完、跟不上、用不上的内耗。其实焦虑的根本原因，不是新技术太多，而是不懂大模型 Agent 应用底层原理，只会零散跟风，没有通用方法论。
为此我专门推出Agent 应用实战专栏，采用Agent基础 + Agent设计模式 + 工程实践三位一体体系，帮你彻底摆脱 AI 焦虑。
专栏分为三大模块：
- Agent基础：深入浅出拆解AgentScope Java源码，掌握Agent应用基础的三驾马车（提示词、工具和记忆），夯实 Agent 开发底层根基；
- Agent设计模式：基于《agentic-design-patterns》精讲经典架构模式（提示词链、并行、路由、规划、反思、推理、人机协同等等），掌握高阶 AI 应用设计思路；
- 工程实践：手把手从零手搓简易版 OpenClaw，还原真实项目落地全流程。
学完本专栏，你将彻底吃透底层逻辑、掌握架构思维、并具备工程落地能力。未来无论再涌现 MCP、Skills 还是其他任何新技术，你都能一眼看透其本质、快速上手复用，不再盲目跟风，稳稳守住程序员的职业护城河。
注意：由于框架的不同版本会有些使用的不同，因此本次系列中使用基本框架是agentscope-1.0.11，JDK版本使用的是open-jdk-21（agentscope-java最低要求java版本为17）。
本文章的代码地址：https://github.com/forever1986/agentscope-agent-pattern
目录
- 1 AgentScope的StructuredOutput
- 2 代码示例
- 2.1 TOOL_CHOICE模式
- 2.2 PROMPT 模式
- 3 源码分析
- 3.1 关键类
- 3.1.1 StructuredOutputCapableAgent
- 3.1.2 StructuredOutputHook
- 3.2 实现过程
前两章讲了提示词的内容，这样子讲一下大模型输出的控制。大模型的结构化输出对于Agent来说是很重要，有时候要求其使用json格式、有时候使用markdown格式等等，因为想要正确的调用工具、mcp、skills、工作流，都需要要求大模型能够按照规定的格式输出。接下来通过介绍AgentScope的结构化输出，来整体了解大模型的结构化输出。
1 AgentScope的StructuredOutput
结构化输出让 Agent 生成符合预定义 Schema 的类型化数据，实现从自然语言到结构化数据的可靠转换。通过明确要求特定格式输出并可能提供期望结构的模式或示例，您可以引导模型以易于被 Agentic 系统或其他应用组件解析和使用的方式组织响应。返回 JSON 对象进行数据提取的优势在于强制模型创建结构，从而限制幻觉产生。建议尝试不同输出格式，特别是对于数据提取或分类等非创意任务。目前主流的结构化输出有两种：
两种模式
| 模式 | 特点 | 适用场景 |
|---|---|---|
| TOOL_CHOICE（默认） | 强制调用工具，一次 API 调用 | 仅适用于支持 tool_choice 的模型（qwen3-max, gpt-4） |
