JSON Modus: Parsen + Validieren gegen ein Schema
Sobald ein LLM ein nachgelagertes System füttern soll -> eine Datenbank, eine API, einen Abrechnungsjob -> ist freie Prosa nutzlos. Du brauchst strukturierte Ausgabe: Das Modell gibt JSON zurück, und dein Code macht aus diesem JSON ein typisiertes Objekt, dem er vertrauen kann. Die meisten Modell-APIs haben einen "JSON-Modus", der das Modell einen JSON-String ausgeben lässt. Aber "es ist gültiges JSON" und "es ist das Objekt, um das ich gebeten habe" sind zwei verschiedene Dinge. Die Grenze zwischen dem Modell und deinem Code ist die Stelle, an der du prüfst.
In echtem Code sieht der Modellaufruf so aus (nur zur Veranschaulichung -> wir rufen hier kein Modell auf):
resp = client.messages.create(model="...", messages=[...])
text = resp.content[0].text # a JSON string, hopefully
record = parse_and_validate(text, {"name": str, "age": int})Du baust parse_and_validate(text, schema). Das schema ist ein Dict, das jedes Pflichtfeld seinem Python-Typ zuordnet, etwa {"name": str, "age": int}. Deine Funktion soll:
- den Text mit
json.loadsin ein Python-Objekt verwandeln. - bestätigen, dass es ein
dictist -> ein JSON-Array oder eine bloße Zahl ist nicht der Datensatz, um den du gebeten hast. - für jedes Feld im Schema prüfen, dass es vorhanden ist (bei fehlendem Feld eine Ausnahme werfen) und den richtigen Typ hat (bei Abweichung eine Ausnahme werfen).
- ein typisiertes Dict nur mit diesen Feldern zurückgeben.
Die Falle bool-ist-int. In Python ist bool eine Unterklasse von int, also ist isinstance(True, int) gleich True. JSON true wird zu Python True. Will dein Schema ein int für age und das Modell schickt "age": true, würde eine naive isinstance-Prüfung es durchwinken. Schütz dich dagegen: Ist der erwartete Typ int, lehne einen bool-Wert ausdrücklich ab.
if expected is int and isinstance(value, bool):
raise ValueError("age must be int, got bool")Wirf eine klare Ausnahme (einen ValueError mit einer Nachricht, die das fehlerhafte Feld nennt), damit ein Aufrufer genau protokollieren kann, was das Modell falsch gemacht hat. Bau es so, dass zwei verschiedene wohlgeformte Nutzlasten beide bestehen, und dass ein fehlendes Feld, ein falscher Typ und ein hinterhältiges bool jeweils eine Ausnahme werfen.
Schreibe parse_and_validate(text, schema), wo schema ein {field: type} dict ist. json.loads den Text, bestätige, dass es ein dict ist, und prüfe dann für jedes schema field, ob es vorhanden ist und den richtigen Typ hat, und gib das typed dict zurück. Fehlende fields und falsche Typen müssen einen Fehler auslösen. Lehne ein JSON true ab, wo ein int erforderlich ist (die bool-is-int Falle).
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.