Strands AgentsのStructured Output（構造化出力）を使ってみた

私) 名前：田中太郎
年齢：21

これをJSON出力して。

# ここが不要！！！
LLM（Nova 2 Lite））JSON形式で出力すると以下のようになります：

# 欲しいのはここだけ
```json
{"名前": "田中太郎", "年齢": 21}
```

# プロジェクトの作成
uv init strands-structured-output
cd strands-structured-output

# 必要なライブラリをインストール
uv add strands-agents strands-agents-tools pydantic boto3

from pydantic import BaseModel, Field
from strands import Agent
from strands.models import BedrockModel

# Pydanticモデルを定義
class BookInfo(BaseModel):
    """書籍の情報を表すモデル"""
    title: str = Field(description="書籍のタイトル")
    author: str = Field(description="著者名")
    price: int = Field(description="価格（円）")
    genre: str = Field(description="ジャンル")

# Bedrockモデルを設定
bedrock_model = BedrockModel(
    model_id="us.amazon.nova-2-lite-v1:0",
    temperature=0.0
)

# エージェントを作成
agent = Agent(model=bedrock_model)

# テキストから情報を抽出
text = """
『クラウドネイティブアーキテクチャ入門』は田中太郎氏による技術書で、
AWSやKubernetesを使ったモダンなシステム設計について解説しています。
価格は3,200円で、IT技術書のジャンルに分類されます。
"""

result = agent(
    text,
    structured_output_model=BookInfo
)

# 結果にアクセス
book: BookInfo = result.structured_output
print(f"タイトル: {book.title}")
print(f"著者: {book.author}")
print(f"価格: {book.price}円")
print(f"ジャンル: {book.genre}")

uv run main.py

Tool #1: BookInfo
タイトル: クラウドネイティブアーキテクチャ入門
著者: 田中太郎
価格: 3200円
ジャンル: IT技術書

from pydantic import BaseModel, Field
from typing import List, Optional
from strands import Agent
from strands.models import BedrockModel

# ネストしたモデルを定義
class MenuItem(BaseModel):
    """メニュー項目"""
    name: str = Field(description="料理名")
    price: Optional[int] = Field(description="価格（円）", default=None)

class RestaurantReview(BaseModel):
    """レストランレビュー情報"""
    restaurant_name: str = Field(description="レストラン名")
    cuisine_type: str = Field(description="料理のジャンル")
    rating: float = Field(description="評価（1.0〜5.0）", ge=1.0, le=5.0)
    recommended_dishes: List[MenuItem] = Field(description="おすすめ料理のリスト")
    overall_impression: str = Field(description="総評（1〜2文で）")

# エージェントを作成
bedrock_model = BedrockModel(
    model_id="us.amazon.nova-2-lite-v1:0",
    region_name="us-west-2",
    temperature=0.0,
)

agent = Agent(model=bedrock_model)

# レビューテキストから情報を抽出
review_text = """
先日、駅前にオープンした「トラットリア・ベッラ」に行ってきました。
本格的なイタリアンのお店で、特にカルボナーラ（1,400円）と
マルゲリータピザ（1,600円）が絶品でした！
雰囲気も良く、スタッフの対応も丁寧で、5点満点中4.5点をつけたいです。
デートにもぴったりのお店だと思います。
"""

result = agent(
    review_text,
    structured_output_model=RestaurantReview
)

review: RestaurantReview = result.structured_output
print(f"レストラン名: {review.restaurant_name}")
print(f"ジャンル: {review.cuisine_type}")
print(f"評価: {review.rating}")
print(f"おすすめ料理:")
for dish in review.recommended_dishes:
    price_str = f"（{dish.price}円）" if dish.price else ""
    print(f"  - {dish.name}{price_str}")
print(f"総評: {review.overall_impression}")

uv run main.py

Tool #1: RestaurantReview
レストラン名: トラットリア・ベッラ
ジャンル: イタリアン
評価: 4.5
おすすめ料理:
  - カルボナーラ（1400円）
  - マルゲリータピザ（1600円）
総評: 本格的なイタリアンで、雰囲気も良く、スタッフの対応も丁寧。デートにもぴったりのおしゃれなレストランです。

from pydantic import BaseModel, Field, field_validator
from strands import Agent
from strands.models import BedrockModel

class ProductRating(BaseModel):
    """商品評価"""

    product_name: str = Field(description="商品名")
    rating: int = Field(description="評価（1〜5の整数）", ge=1, le=5)
    review_comment: str = Field(description="レビューコメント")

    @field_validator("review_comment")
    @classmethod
    def validate_comment_length(cls, value: str) -> str:
        if len(value) < 10:
            raise ValueError("レビューコメントは10文字以上必要です")
        return value

bedrock_model = BedrockModel(
    model_id="us.amazon.nova-2-lite-v1:0",
    region_name="us-west-2",
    temperature=0.0,
)

agent = Agent(model=bedrock_model)

result = agent(
    "AWSの本を買いました。星5つ、とても良い本でAWSの基礎がしっかり学べました。",
    structured_output_model=ProductRating,
)

product: ProductRating = result.structured_output
print(f"商品名: {product.product_name}")
print(f"評価: {'★' * product.rating}")
print(f"コメント: {product.review_comment}")

Tool #1: ProductRating
商品名: AWSの本
評価: ★★★★★
コメント: とても良い本でAWSの基礎がしっかり学べました。

uv run main.py
Tool #1: ProductRating
tool_name=<ProductRating> | structured output validation failed | error_message=<Validation failed for ProductRating. Please fix the following errors:
- Field 'review_comment': Value error, レビューコメントは10文字以上必要です>
レビューコメントを10文字以上にして評価を再送信してください。現在のコメント「最高」は2文字のみです。例えば「AWSの本がとても分かりやすく、最高の学習リソースになりました！」などのように10文字以上のコメントをお書きください。
Tool #2: ProductRating
商品名: AWSの本
評価: ★★★★★
コメント: AWSの本がとても分かりやすく、最高の学習リソースになりました！

from strands import Agent
from strands.models import BedrockModel
from strands.types.exceptions import StructuredOutputException
from pydantic import BaseModel, Field

class StrictModel(BaseModel):
    """厳密な制約を持つモデル"""
    name: str = Field(description="名前", min_length=1)
    age: int = Field(description="年齢", ge=0, le=150)

bedrock_model = BedrockModel(
    model_id="us.amazon.nova-2-lite-v1:0",
    region_name="us-west-2",
    temperature=0.0,
)

agent = Agent(model=bedrock_model)

try:
    result = agent(
        "こんにちは",
        structured_output_model=StrictModel
    )
    data = result.structured_output
    print(f"名前: {data.name}, 年齢: {data.age}")
except StructuredOutputException as e:
    print(f"構造化出力に失敗しました: {e}")

uv run main.py                                                                                                                  
こんにちは！お手伝いできることがあれば、お知らせください。何か特定の情報やサポートが必要な場合は、お気軽に聞いてください。
Tool #1: StrictModel
名前: ユーザー, 年齢: 25

from enum import Enum
from typing import List, Optional

from pydantic import BaseModel, Field
from strands import Agent
from strands.models import BedrockModel

# 検索モードの定義
class SearchMode(str, Enum):
    SEMANTIC = "semantic"  # 意味検索（ベクトル検索）
    KEYWORD = "keyword"  # キーワード検索
    HYBRID = "hybrid"  # ハイブリッド検索

# 構造化クエリモデル
class StructuredQuery(BaseModel):
    """ユーザーの質問から抽出した検索クエリ情報"""

    search_query: str = Field(
        description="検索に使用するクエリ文字列。ユーザーの質問から検索に適した形に変換したもの"
    )
    search_mode: SearchMode = Field(
        description="検索モード。意味的な検索が必要な場合はsemantic、特定のキーワードを探す場合はkeyword、両方必要な場合はhybrid"
    )
    category: Optional[str] = Field(
        description="検索対象のカテゴリ（例: AWS, Python, データベースなど）",
        default=None,
    )
    filters: Optional[List[str]] = Field(
        description="追加のフィルタ条件（例: 最新, 初心者向け, 公式ドキュメントなど）",
        default=None,
    )
    time_range: Optional[str] = Field(
        description="時間範囲の指定がある場合（例: 2024年以降, 直近1ヶ月など）",
        default=None,
    )

# モック検索関数
def mock_search(query: StructuredQuery) -> List[dict]:
    """
    構造化クエリを使ってモック検索を実行する
    実際のシステムでは、ここでOpenSearchやベクトルDBへのクエリを実行する
    """
    print(f"\n{'=' * 50}")
    print("🔍 検索実行中...")
    print(f"{'=' * 50}")
    print(f"  クエリ: {query.search_query}")
    print(f"  モード: {query.search_mode.value}")
    if query.category:
        print(f"  カテゴリ: {query.category}")
    if query.filters:
        print(f"  フィルタ: {', '.join(query.filters)}")
    if query.time_range:
        print(f"  期間: {query.time_range}")
    print(f"{'=' * 50}\n")

    # モック結果を返す
    mock_results = [
        {
            "title": f"【{query.category or '技術'}】{query.search_query}に関する記事",
            "score": 0.95,
            "snippet": f"この記事では{query.search_query}について詳しく解説しています...",
        },
        {
            "title": f"{query.search_query}入門ガイド",
            "score": 0.87,
            "snippet": f"初心者向けに{query.search_query}の基礎から応用までを網羅...",
        },
    ]

    return mock_results

# エージェントを作成
bedrock_model = BedrockModel(
    model_id="us.amazon.nova-2-lite-v1:0",
    temperature=0.0,
)
agent = Agent(model=bedrock_model)

# テスト用のユーザー質問リスト
user_questions = [
    "AWS Lambdaのコールドスタート対策について教えて",
    "OpenSearchでベクトル検索を実装する方法は？初心者向けの記事がいいな",
    "2024年以降に発表されたBedrockの新機能について",
]

for question in user_questions:
    print(f"\n{'#' * 60}")
    print(f"📝 ユーザーの質問: {question}")
    print(f"{'#' * 60}")

    # 質問を構造化クエリに変換
    result = agent(
        f"以下のユーザーの質問を検索クエリとして構造化してください:\n\n{question}",
        structured_output_model=StructuredQuery,
    )

    structured_query: StructuredQuery = result.structured_output

    # 構造化結果を表示
    print(f"\n📊 構造化結果:")
    print(f"  search_query: {structured_query.search_query}")
    print(f"  search_mode: {structured_query.search_mode.value}")
    print(f"  category: {structured_query.category}")
    print(f"  filters: {structured_query.filters}")
    print(f"  time_range: {structured_query.time_range}")

    # 構造化クエリを使って検索を実行
    results = mock_search(structured_query)

    # 検索結果を表示
    print("📚 検索結果:")
    for i, res in enumerate(results, 1):
        print(f"  {i}. {res['title']} (スコア: {res['score']})")

uv run main.py

############################################################
📝 ユーザーの質問: AWS Lambdaのコールドスタート対策について教えて
############################################################

Tool #1: StructuredQuery

📊 構造化結果:
  search_query: AWS Lambda コールドスタート対策
  search_mode: keyword
  category: AWS
  filters: None
  time_range: None

==================================================
🔍 検索実行中...
==================================================
  クエリ: AWS Lambda コールドスタート対策
  モード: keyword
  カテゴリ: AWS
==================================================

📚 検索結果:
  1. 【AWS】AWS Lambda コールドスタート対策に関する記事 (スコア: 0.95)
  2. AWS Lambda コールドスタート対策入門ガイド (スコア: 0.87)

############################################################
📝 ユーザーの質問: OpenSearchでベクトル検索を実装する方法は？初心者向けの記事がいいな
############################################################

Tool #2: StructuredQuery

📊 構造化結果:
  search_query: OpenSearch ベクトル検索 実装
  search_mode: keyword
  category: OpenSearch
  filters: ['初心者向け']
  time_range: None

==================================================
🔍 検索実行中...
==================================================
  クエリ: OpenSearch ベクトル検索 実装
  モード: keyword
  カテゴリ: OpenSearch
  フィルタ: 初心者向け
==================================================

📚 検索結果:
  1. 【OpenSearch】OpenSearch ベクトル検索 実装に関する記事 (スコア: 0.95)
  2. OpenSearch ベクトル検索 実装入門ガイド (スコア: 0.87)

############################################################
📝 ユーザーの質問: 2024年以降に発表されたBedrockの新機能について
############################################################

Tool #3: StructuredQuery

📊 構造化結果:
  search_query: Bedrock 新機能
  search_mode: keyword
  category: Bedrock
  filters: None
  time_range: 2024年以降

==================================================
🔍 検索実行中...
==================================================
  クエリ: Bedrock 新機能
  モード: keyword
  カテゴリ: Bedrock
  期間: 2024年以降
==================================================

📚 検索結果:
  1. 【Bedrock】Bedrock 新機能に関する記事 (スコア: 0.95)
  2. Bedrock 新機能入門ガイド (スコア: 0.87)