Ограниченные / Схемно-зависимые результаты
Вы проверяли JSON модели вручную в прошлых уроках. Современная практика идет на один шаг раньше: не давать модели выдавать плохой JSON изначально. Это constrained decoding (также называемое структурированными выходами). Вы передаете API схему, и декодеру разрешено выбирать только те токены, которые сохраняют валидность вывода согласно ей. Модель буквально не может выдать отсутствующее поле или значение с неправильным типом.
С OpenAI-style API вы передаете response_format с JSON Schema и strict: true (только для иллюстрации -> мы не вызываем никакую модель здесь):
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"],
},
},
},
)Остальная часть этого курса использует Anthropic, которая предлагает ту же гарантию через output_config для гарантированных ответов в формате JSON и strict для использования инструментов с идеальными входными данными по схеме:
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"],
},
}},
)В любом случае, ограничения накладывает провайдер. Но constrained decoding все равно не может проверять ваши бизнес правила (реалистичен ли возраст? поддерживается ли эта валюта?), и не каждая модель или шлюз поддерживает это. Поэтому вы все равно валидируете данные на своей стороне. Этот валидатор и есть то, что вы строите сейчас.
На стороне Python де-факто стандартом для объявления и проверки этой формы является Pydantic. Вы пишете класс модели, а библиотека парсит, приводит типы и проверяет данные за вас:
from pydantic import BaseModel
class Person(BaseModel):
name: str
age: int
record = Person.model_validate_json(text) # raises if it does not fitPydantic недоступен в этом браузере, поэтому вы построите ту же идею вручную с помощью стандартной библиотеки. Именно это делают эти библиотеки внутри, и это делает правила невозможными для игнорирования. Вы пишете validate_against_schema(obj, schema).
schema - это словарь. Каждое значение - это либо строка с именем типа ("int", "float", "str", "bool", "list", "dict"), либо небольшой словарь спецификации, например {"type": "int", "default": 0}. Ваша функция возвращает словарь результатов {"ok": bool, "value": dict, "errors": list}:
- Если
objне являетсяdict, вернитеok=Falseс одной ошибкой корня и пустымvalue. - Для каждого поля: если оно missing и в спецификации есть
"default", заполните значение по умолчанию (coerce/default pass). Если оно отсутствует без значения по умолчанию, запишите ошибку. - Если присутствует, проверьте его type. При несовпадении запишите ошибку с названием поля.
- Coerce обычный
intдоfloatкогда нужен float (это без потерь и безопасно), но не приводите к типу ничего другого. - Если возникли ошибки, верните
ok=Falseс собраннымиerrorsи пустымvalue; иначе вернитеok=Trueс провереннымиvalue.
Ловушка bool-is-int. В Python bool является подклассом int, поэтому isinstance(True, int) это True и JSON true декодируется в Python True. Наивная проверка типа пропустит "age": true через поле int. Отклоняйте bool явно везде, где требуется int или float:
if expected is int and isinstance(value, bool):
errors.append(field + ": expected int, got bool")Соберите это так, чтобы два разных правильно сформированных payload прошли, отсутствие поля и неверный тип попадают в errors, значение по умолчанию заполняется, int преобразуется в float, а скрытый bool отклоняется там, где требуется число.
Напишите validate_against_schema(obj, schema), возвращающий {"ok", "value", "errors"}. schema сопоставляет каждое поле со строкой типа-имени ("int"/"float"/"str"/"bool"/"list"/"dict") или словарем спецификации {"type": ..., "default": ...}. Отклоняйте не словарь obj, записывайте ошибку для каждого отсутствующего (без значения по умолчанию) или неверно типизированного поля, заполняйте значение по умолчанию, если оно дано, приводите обычный int к float и отклоняйте bool, где требуется int или float (ловушка bool-is-int). Возвращайте ok=True с проверенным value только тогда, когда ошибок нет.
Заметили проблему в этом уроке? Сообщите о ней · Спросить об этом уроке
Это упражнение откроется скоро
Закончи предыдущий урок, чтобы открылся этот. Весь курс бесплатный, аккаунт не нужен, и ты можешь прочитать этот урок прямо сейчас.
Этот браузер блокирует cookies для learn.floati.life, поэтому завершенные здесь уроки не могут открыться по порядку. Разрешите cookies для этого сайта и перезагрузите страницу.