LLM应用开发：使用Pydantic实现结构化输出

1. 为什么我们需要结构化输出？

在开发基于大语言模型(LLM)的应用时，我们经常遇到一个痛点：模型返回的内容格式不可控。想象一下，你让模型生成一份报告，期望得到包含"报告名称"、"报告ID"和"生成时间"三个字段的JSON数据，但实际返回的可能是：

• 纯文本描述："这是一份关于...的报告，编号是123，生成于2024年..."
• 不完整的JSON：缺少必填字段
• 格式错误的JSON：键名拼写错误，值类型不对

这种情况在需要将LLM输出集成到自动化流程时尤为致命。我曾经在一个数据ETL项目中，因为模型偶尔返回非标准JSON，导致整个流水线崩溃，不得不加入大量异常处理代码。

2. 结构化输出的核心方案

目前最成熟的解决方案是结合Pydantic使用结构化输出功能。Pydantic是一个Python数据验证库，通过类型注解来定义数据模型。主流LLM服务商和框架都已原生支持Pydantic模型作为输出格式。

2.1 基础实现方案

让我们先看一个完整的OpenAI API示例：

python复制from openai import OpenAI
from pydantic import BaseModel, ValidationError
from datetime import datetime

class Report(BaseModel):
    """定义报告数据结构"""
    title: str
    report_id: int
    generated_at: datetime
    summary: str
    is_confidential: bool = False  # 默认值

client = OpenAI(api_key="your-api-key")

try:
    response = client.chat.completions.parse(
        model="gpt-4",
        messages=[
            {"role": "system", "content": "你是一个专业的数据分析助手"},
            {"role": "user", "content": "生成一份关于2024年Q2销售数据的报告"}