Eingeschränkte / Schema-erzwungene Ausgaben
Du hast das Modell-JSON in den letzten Lektionen von Hand validiert. Die moderne Praxis geht einen Schritt früher: Verhindere, dass das Modell überhaupt schlechtes JSON ausgibt. Das ist constrained decoding (auch als structured outputs bezeichnet). Du übergibst der API ein Schema, und der Decoder darf nur Tokens auswählen, die die Ausgabe gegenüber dem Schema gültig halten. Das Modell kann buchstäblich kein fehlendes Feld oder einen falsch typisierten Wert erzeugen.
Mit der OpenAI-Style API übergibst du eine response_format mit einem JSON Schema und strict: true (nur illustrativ -> wir rufen hier kein Modell auf):
resp = client.chat.completions.create(
model="...",
messages=[...],
response_format={
"type": "json_schema",
"json_schema": {
"name": "person",
"strict": True,
"schema": {
"type": "object",
"properties": {"name": {"type": "string"}, "age": {"type": "integer"}},
"required": ["name", "age"],
},
},
},
)Der Rest dieses Kurses nennt Anthropic, das dieselbe Garantie durch output_config für garantierte JSON-Antworten und strict Tool-Nutzung für schema-perfekte Tool-Eingaben anbietet:
resp = client.messages.create(
model="claude-opus-5-5",
max_tokens=1024,
messages=[...],
output_config={"format": {
"type": "json_schema",
"schema": {
"type": "object",
"properties": {"name": {"type": "string"}, "age": {"type": "integer"}},
"required": ["name", "age"],
},
}},
)In jedem Fall führt der Anbieter die Einschränkung durch. Aber constrained decoding kann deine Geschäftsregeln immer noch nicht prüfen (ist das Alter plausibel? ist die Währung eine, die du unterstützt?), und nicht jedes Modell oder Gateway unterstützt es. Du validierst also trotzdem auf deiner Seite. Dieser Validator ist das, was du jetzt baust.
Auf der Python Seite ist der De-facto-Standard für das Deklarieren und Validieren dieser Form Pydantic. Du schreibst eine Model-Klasse und die Bibliothek parst, erzwingt und validiert für dich:
from pydantic import BaseModel
class Person(BaseModel):
name: str
age: int
record = Person.model_validate_json(text) # raises if it does not fitPydantic ist in dieser In-Browser-Sandbox nicht verfügbar, also wirst du dieselbe Idee manuell mit der Standardbibliothek bauen. Das ist genau das, was diese Bibliotheken unter der Haube tun, und es macht die Regeln unmöglich zu ignorieren. Du schreibst validate_against_schema(obj, schema).
Der schema ist ein dict. Jeder Wert ist entweder ein Typname-String ("int", "float", "str", "bool", "list", "dict") oder ein kleines Spec-dict wie {"type": "int", "default": 0}. Deine Funktion gibt ein Ergebnis-dict {"ok": bool, "value": dict, "errors": list} zurück:
- Wenn
objkeindictist, gibok=Falsemit einem Root-Fehler und einer leerenvaluezurück. - Für jedes Feld: Wenn es missing ist und die Spezifikation ein
"default"hat, fülle den Standardwert (den coerce/default pass). Wenn es fehlt und kein Standardwert da ist, zeichne einen Fehler auf. - Wenn vorhanden, prüfe seinen type. Bei einer Abweichung, zeichne einen Fehler auf, der das Feld benennt.
- Coerce einen einfachen
intbis zu einemfloatwenn ein float gewünscht ist (das ist verlustfrei und sicher), aber erzwinge nichts anderes. - Wenn es Fehler gab, gib
ok=Falsemit den gesammeltenerrorsund einer leerenvaluezurück; ansonsten gibok=Truemit dem validiertenvaluezurück.
Die bool-is-int Falle. In Python bool ist eine Unterklasse von int, also ist isinstance(True, int) ein True und JSON true wird zu Python True dekodiert. Eine naive Typprüfung würde "age": true durch ein int Feld gleiten lassen. Lehne einen bool explizit ab, wo ein int oder ein float erforderlich ist:
if expected is int and isinstance(value, bool):
errors.append(field + ": expected int, got bool")Baue es so auf, dass zwei verschiedene korrekt geformte Payloads beide durchgehen, ein fehlendes Feld und ein falscher Typ landen jeweils in errors, ein Standardwert wird eingesetzt, ein int wird zu einem float umgewandelt, und ein heimlicher bool wird abgelehnt, wo eine Zahl erforderlich ist.
Schreibe validate_against_schema(obj, schema) und gib {"ok", "value", "errors"} zurück. schema ordnet jedes Feld einem Typ-Namen-String ("int"/"float"/"str"/"bool"/"list"/"dict") oder einem Spezifikations-Dictionary {"type": ..., "default": ...} zu. Lehne ein nicht-Dictionary obj ab. Protokolliere einen Fehler für jedes fehlende (ohne Standardwert) oder falsch typisierte Feld. Fülle einen Standardwert aus, wenn einer gegeben ist. Konvertiere ein einfaches int bis zu float. Lehne ein bool ab, wo ein int oder float erforderlich ist (die bool-is-int Falle). Gib ok=True mit dem validierten value nur zurück, wenn keine Fehler vorliegen.
Ein Problem in dieser Lektion entdeckt? Melde es · Frage zu dieser Lektion
Diese Übung öffnet bald
Beende die vorherige Lektion, damit diese freigeschaltet wird. Der ganze Kurs ist kostenlos, kein Konto erforderlich, und du kannst diese Lektion jetzt direkt lesen.
Dieser Browser blockiert Cookies für learn.floati.life, daher können hier beendigte Lektionen nicht in der richtigen Reihenfolge geöffnet werden. Erlaube Cookies für diese Seite und lade sie neu.