Pydantic for LLM 2026：让任何模型输出可靠的结构化JSON

📘 教程 2026-08-02 约 5 分钟阅读

LLM返回的JSON时好时坏，代码在坏数据上崩溃。Pydantic把模型输出变成经过校验的类型化数据。

💡 你将学到

LLM返回的JSON时好时坏，代码在坏数据上崩溃。Pydantic把模型输出变成经过校验的类型化数据。

📜 目录

Pydantic：原始LLM输出与代码之间的验证层
取代正则表达式解析的模式
为什么它与LLM配合得如此之好
生产循环
FAQ
相关文章

Pydantic for LLMs 2026：从任何模型保证结构化JSON输出（28k Stars）

Pydantic：原始LLM输出与代码之间的验证层

Pydantic（28,438个GitHub stars，MIT许可证）是一个使用类型提示进行数据验证的Python库。随着LLM结构化输出的兴起，它已成为解析和验证模型响应的事实标准——每个主要的LLM框架（LangChain、OpenAI SDK集成、instructor）都构建在其之上。核心理念：声明输出应该是什么样子，然后获得保证有效的对象或清晰的错误。

取代正则表达式解析的模式

from pydantic import BaseModel, Field

class Order(BaseModel):
    order_id: str = Field(pattern=r"ORD-\d{6}")
    items: list[str]
    total: float

# Parse LLM output directly
order = Order.model_validate_json(llm_json)

如果模型返回缺失字段、错误类型或无效格式，你会得到一个验证错误——而不是下游的静默崩溃。这一单一属性消除了LLM应用中最不稳定的失败模式。

为什么它与LLM配合得如此之好

模式即提示。 许多SDK（instructor、OpenAI结构化输出）将你的Pydantic模型序列化为JSON Schema并传递给模型——模型确切地看到要生成什么，提供商可以强制执行。
嵌套验证。 复杂结构（一个订单包含多个行项目，每个项目有自己的规则）递归验证。
失败时重试。 标准循环：尝试解析，遇到ValidationError时用错误信息重新询问模型——大多数模型在第二次尝试时修正输出。
序列化。 输出是普通的Python对象，你可以存储、记录或发送到任何地方。

生产循环

for attempt in range(3):
    try:
        return Order.model_validate_json(call_llm(schema=Order.model_json_schema()))
    except ValidationError as e:
        messages.append(f"Your output was invalid: {e}. Fix it.")

这种带错误信息的重试循环是从LLM获取结构化数据的唯一最可靠模式——它适用于OpenAI、Anthropic、Gemini以及本地模型。