课程大纲 第 126 课,共 250 课 · 面向 AI 工程师的提示词工程
面向 AI 工程师的提示词工程

结构化 JSON 输出 + 验证

一旦 LLM 给下游系统供数据,普通的文字就成了一种隐患。你让模型输出 JSON,然后你绝不能盲目地信任它。模型会输出格式错误的 JSON,漏掉字段,在某个位置放进错误的类型。一个生产环境的解析器会假设这些都会发生,并检查每一个字段。

你要构建守住这道边界的验证器。validate_record(text) 接收模型返回的原始字符串,并且:

  • 在一个 try/except 里尝试用 json.loads 解析它,这样格式错误的 JSON 会返回一个干净的失败,而不是让你的服务崩溃。
  • 检查必需的 schema {"name": str, "age": int, "email": str}:每个字段都存在,每个值的类型都正确。
  • 返回 {"ok": bool, "errors": [...]},其中 errors 说出哪里出了问题。

有一个几乎人人都会掉进去的陷阱。在 Python 里,bool 是 int 的子类,所以 isinstance(True, int) 是 True。JSON 的 true 被解析成 Python 的 True,一个朴素的类型检查会把 "age": true 当作一个有效的整数接受。在要求 int 的地方拒绝布尔值。

>>> isinstance(True, int)
True            # the trap: True sneaks past an int check
>>> type(True) is int
False           # one way to be strict

一个模型可以实时替你填好这段 JSON,但评分只涉及你确定性的验证器:它接受一条干净的记录吗?它拒绝每一种坏掉的记录吗?按 Run 评分。

轮到你了

写 validate_record(text),在一个 try/except 里用 json.loads 解析文本,并对照 {"name": str, "age": int, "email": str} 验证它。返回 {"ok": bool, "errors": [...]}:对于一条完整、类型正确的记录,ok 为 True,errors 为空;否则为 False,并带上一个说出每个问题的列表。格式错误的 JSON 返回 ok False(不抛出异常)。在要求 int 的地方必须拒绝布尔值。

发现这节课有问题?报告它 · 就这节课提问

这个练习即将开放

完成它前面的那一课,这一课就会解锁。整门课程免费,无需账号,而且你现在就可以阅读这节课。