制約付き/スキーマで強制された出力
これまでのレッスンでは、モデルの JSON を手で検証してきました。現代のやり方は一歩早く始まります:そもそもモデルに悪い JSON を出させないのです。これが制約付きデコード(構造化出力とも呼ばれます)です。API にスキーマを渡すと、デコーダーは出力がそれに合ったまま保たれるトークンしかサンプリングできなくなります。モデルは、文字どおり、欠けたフィールドや型の間違った値を生み出せません。
OpenAI 風の API では、JSON Schema と strict: true を付けた response_format を渡します(説明用のみ -> ここではモデルを呼びません):
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"],
},
},
},
)このコースの残りでは Anthropic を呼びます。Anthropic は、JSON が保証された応答のための output_config と、スキーマに完璧に合ったツールの入力のための strict なツール使用を通じて、同じ保証を提供しています:
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"],
},
}},
)どちらにしても、制約をかけるのは提供元です。でも制約付きデコードでも、あなたの業務ルール(年齢はありうるものか?通貨は対応しているものか?)は確かめられませんし、すべてのモデルやゲートウェイがそれに対応しているわけでもありません。だから、いずれにせよ自分の側で検証します。その検証関数を、今から作ります。
Python の側では、その形を宣言して検証する事実上の標準は Pydantic です。モデルのクラスを書けば、ライブラリが解析し、型を変換し、検証してくれます:
from pydantic import BaseModel
class Person(BaseModel):
name: str
age: int
record = Person.model_validate_json(text) # raises if it does not fitPydantic はこのブラウザ内の砂場では使えないので、同じ考えを標準ライブラリで手作りします。それはまさにこうしたライブラリが内部でしていることで、ルールをごまかせなくなります。書くのは validate_against_schema(obj, schema) です。
schema は辞書です。各値は、型名の文字列("int"、"float"、"str"、"bool"、"list"、"dict")か、{"type": "int", "default": 0} のような小さな仕様の辞書のどちらかです。関数は結果の辞書 {"ok": bool, "value": dict, "errors": list} を返します:
objがdictでなければ、ルートのエラーを 1 つと空のvalueを付けてok=Falseを返します。- 各フィールドについて:欠けていて仕様に
"default"があれば、既定値で埋めます(型変換と既定値の処理)。既定値なしで欠けていれば、エラーを記録します。 - あれば、その型を確かめます。食い違えば、フィールドの名前を含むエラーを記録します。
- float が求められているところでは、ふつうの
intをfloatに型変換します(情報を失わず安全です)が、それ以外は何も型変換しません。 - エラーが 1 つでもあれば、集めた
errorsと空のvalueを付けてok=Falseを返し、そうでなければ検証したvalueを付けてok=Trueを返します。
bool は int という罠。Python では bool は int のサブクラスなので、isinstance(True, int) は True で、JSON の true は Python の True にデコードされます。素朴な型の確認では、"age": true が int のフィールドをすいすい通ってしまいます。int か float が必要なところではどこでも、bool をはっきり拒否しましょう:
if expected is int and isinstance(value, bool):
errors.append(field + ": expected int, got bool")2 つの違う整ったペイロードはどちらも通り、欠けたフィールドと間違った型はそれぞれ errors に入り、既定値は埋められ、int は float に型変換され、数が必要なところではこっそり紛れた bool が拒否されるように作ってください。
{"ok", "value", "errors"} を返す validate_against_schema(obj, schema) を書いてください。schema は各フィールドを型名の文字列("int"/"float"/"str"/"bool"/"list"/"dict")か仕様の辞書 {"type": ..., "default": ...} に対応させます。辞書でない obj を拒否し、欠けた(既定値のない)フィールドや型の間違ったフィールドごとにエラーを記録し、既定値が与えられていればそれで埋め、ふつうの int を float に型変換し、int か float が必要なところでは bool を拒否します(bool は int という罠)。エラーがないときだけ、検証した value を付けて ok=True を返します。
この演習はまもなく開きます
その前のレッスンを終えると、このレッスンが解放されます。コース全体が無料でアカウントも不要、このレッスンは今すぐ読めます。
このブラウザは learn.floati.life の Cookie をブロックしているため、ここで修了したレッスンを順番どおりに開けません。このサイトの Cookie を許可して再読み込みしてください。