结构化输出的工业级方案:JSON Schema 约束与失败重试修复

结构化输出实战:用JSON Schema约束LLM解析简历文本 在AI应用开发中,大模型输出的自由度常常成为工程化落地的瓶颈。当需要将非结构化的文本转换为可入库、可渲染的结构化数据时,结构化输出(Structured Output)成为关键能力。其核心原理是通过定义JSON Schema,将模型生成过程约束在预定义的字段与类型之内,再结合Pydantic等校验工具实现二次兜底,从而构建从“自由文本”到“合法对象”的可靠链路。该技术广泛应用于简历解析、表单回填、商品信息抽取等强字段场景。本文以简历助手项目为实例,讲解如何设计实体类、生成JSON Schema、调用LLM接 阅读详情

结构化输出这件事,第一次做会觉得很简单:让模型返回 JSON,用 Jackson 一转,收工。等到它进生产,你会发现真正的问题不是"转不过去",而是转过去了,但数据是错的。

先看两个线上症状,它们看起来毫无关系,根因却是同一个。

症状一:风控系统报警,说某个意图识别模型的平均置信度只有 0.12,怀疑模型退化。捞了原始请求日志才发现,模型的输出长这样:

{
   
   "intent":"refund_status","orderNo":"SO20261012001","confidence":0.93}

置信度明明给了 0.93。但业务代码拿到的是 0.0 —— 因为我们的 record 里还有一个 items 字段,模型没输出,Jackson 给 List 字段填了 null;而 confidence 那次是因为模型压根没返回这个字段,于是 double 被填成 0.0。全程没有异常、没有 WARN,监控上只表现为"模型突然变笨了"。

症状二:切到支持 strict 模式的服务端约束后,接口开始零星 400,错误信息是 Invalid schema for response_format。schema 是框架自动生成的,人工检查怎么看都合法。

这两件事的共同点是:我们把"能反序列化"当成了"契约被满足"。这两个判断差得很远,中间隔着的正是本篇要补的三层 —— 强 schema、前置校验、修复重试。

工程基线:JDK 21 + Spring Boot 3.5.16 + Spring AI 1.1.8(Jackson 由 Boot 管理,实测 2.21.4)。所有结论都在 agent-demo 里跑过,配套代码在 basics 模块 ch08 包。

一、先看清框架给了你什么

BeanOutputConverter 是 Spring AI 里把"文本 → 对象"这件事收敛起来的入口,ChatClient.entity(Class) 底层用的也是它。它的 getJsonSchema() 返回一份 JSON Schema,getFormat() 返回一段要求模型按 schema 输出的提示词。

对我们这个抽取契约,getJsonSchema() 的实测输出是:

{
   
   
  "$schema" : "https://json-schema.org/draft/2020-12/schema",
  "type" : "object",
  "properties" : {
   
   
    "confidence" : {
   
    "type" : "number" },
    "intent" : {
   
   
      "type" : "string",
      "enum" : [ "REFUND_STATUS", "COMPLAINT", "CANCELLATION", "OTHER" ]
    },
    "items" : {
   
   
      "type" : "array",
      "items" : {
   
   
        "type" : "object",
        "properties" : {
   
    "qty" : {
   
    "type" : "integer" }, "sku" : {
   
    "type" : "string" } },
        "required" : [ "qty", "sku" ]
      }
    },
    "note" : {
   
    "type" : "string" },
    "orderNo" : {
   
    "type" : "string" }
  },
  "required" : [ "confidence", "intent", "items", "note", "orderNo" ],
  "additionalProperties" : false
}

三个必须记住的事实:

观察点 实测结果 影响
required 包含全部字段,包括业务上可空的 note strict 模式下模型必须输出 note,想表达"没有"只能给空串
enum 是 Java 枚举常量名,全大写 模型输出 refund_status 直接反序列化失败
additionalProperties 每个 object 都已是 false 不用自己补,但升级版本后要复核

这份 required 不是 bug,是明确的实现选择。反编译 BeanOutputConverter 的源码能看到这一行:

private void generateSchema() {
   
   
    JacksonModule jacksonModule = new JacksonModule(
            JacksonOption.RESPECT_JSONPROPERTY_REQUIRED,
            JacksonOption.RESPECT_JSONPROPERTY_ORDER);
    SchemaGeneratorConfigBuilder configBuilder = new <
Python 映射函数map()详解 阅读详情

相关推荐

三维旋转详细解读(Rodrigues‘ Roatation Formula 罗德里格旋转公式)

三维旋转引言三维旋转1)欧拉角2)轴角式旋转分解1)V||的旋转2)V⊥的旋转3)V的整体旋转 引言 前面我们了解了 复数在二维旋转中的作用与联系 而四元数与三维旋转之间的关系与复数对二维旋转有很多类似的地方,下面我们就先来详细了解一下三维旋转的过程。 三维旋转 首先讨论一下三维旋转,我们了解到常用的三维旋转有两种方式: 1)欧拉角 即按照一定的顺序,分别对X, Y, Z三个轴进行旋转 θ 角。绕各旋转轴的旋转矩阵为: 然后任意的三维旋转可以分解成上述三种旋转方式的组合。(注意:三个旋转的顺序是非常重要的

晓晨的博客 1万+

别再只调IoU了!给YOLOv8换上NWDLoss,实测小目标检测精度提升明显

本文深入探讨了YOLOv8在小目标检测中的优化策略,重点介绍了NWDLoss(Normalized Wasserstein Distance Loss)的应用优势。通过对比实验证明,NWDLoss能有效解决传统IoU损失函数的局限性,显著提升小目标检测精度,在遥感影像和交通监控等场景中表现尤为突出。文章提供了详细的代码实现和训练技巧,帮助开发者快速集成这一先进技术。

weixin_29072299的博客 284

ctftools-all-in-one使用说明

OAEP (Optimal Asymmetric Encryption Padding) 是一种用于RSA加密的填充方案,目的是提高RSA加密的安全性。在CTF比赛中,如果模数N的两个因子比较接近,使用"费马分解(N)"可能会更快地得到结果;OAEP 是 RSA 的一种标准填充方式(在 PKCS#1 v2.0+ 中定义),因此这类题目本质上仍是 RSA 题,但。,导致你不能直接用常规的 RSA 解密公式 �=�� mod �m=cdmodN 得到有意义的明文。如果你在 CTF 中遇到 RSA 题,

2501_91682449的博客 1732

CANoe_Demo_下载以及安装教程

CANoe Demo下载安装流程

Jar_Lee的博客 1万+

大数据领域数据服务的数据分析工具推荐

你有没有过这样的经历?——领导说“帮我分析一下上个月的销量”,你打开Excel却发现数据有100万行,电脑直接卡死;或者想实时知道“现在直播间的观众在买什么”,却不知道用什么工具处理每秒10万条的点击数据。本文的目的:帮你解决“选什么工具做什么事”的问题,覆盖大数据服务的全流程(采集→存储→处理→分析→可视化),推荐高频、实用、易上手的工具,并讲清楚它们的“适用场景”和“优缺点”。范围。

大数据洞察的博客 1933

基于YOLOv8的铁路轨道异物检测系统设计与实现

目标检测是计算机视觉领域的核心任务之一,旨在识别图像中特定目标的位置和类别。传统方法主要依赖手工特征(如HOG、SIFT等)和分类器(如SVM),而深度学习方法通过卷积神经网络自动学习特征表示,显著提升了检测性能。YOLO(You Only Look Once)系列算法作为单阶段目标检测的代表,以其高效的检测速度著称。YOLOv8是Ultralytics公司于2023年发布的最新版本,在精度和速度上都有进一步提升。

YOLO 577

【Clickhouse】Cannot allocate block number in Zookeeper write prefix view location

我有一个问题,我CK集群跑批的时候,replicated表变成只读的了下面是CK的报错和当时ZK的日志。下面是zk报错开始 我认为是写入的时候,压力太大,ZK扛不住了,就按照博客里的建议优化了ZK的参数,现在偶尔还会只读,zk报错都是图里的那种clickhouse的集群是5分片的集群,数据量比较大。每小时批量一次,每次2-10W条数据,字段的话,不到200个字段,使用的 jdbc sink写入。

九师兄 841

完整的 Python 数据分析案例:新能源汽车续航里程预测

随着新能源汽车的普及,续航里程成为消费者关注的重要指标。准确预测新能源汽车的续航里程,有助于车企优化电池管理系统、提升车辆性能,也能帮助消费者合理规划出行。本案例将基于新能源汽车的各项参数,如电池容量、行驶速度、环境温度等,构建续航里程预测模型。通过以上改进,可以提高数据处理的准确性、模型的性能和可视化的效果。

daqsdfas的博客 1591

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

上一篇: Prompt 工程在 Java 里的正确落地:模板、结构化输出与解析容错
下一篇: Token 经济学:上下文窗口管理、计费统计与成本优化
ywb201314
博客等级 码龄12年 304粉丝 78原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

ywb201314

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址