

適合讀者
- 需要穩定抽取業務字段的開發者
- 做自動化數據處理的工程師
這篇文章解決什麼問題?
只靠一次生成無法保證字段完整,人工修復成本高。
核心概念解釋
- schema 校驗
- 失敗原因歸因
- 修復 Prompt
- 最大重試
- 審核兜底
實戰步驟
- 解析模型輸出
- 捕獲 JSONDecodeError
- 彙總缺失字段
- 發起修復請求或本地 mock
- 保存失敗樣本
Python 代碼示例
本文配套 demo 會生成在:
cd examples/llm-guides/010_json_validation_retry
python demo.py
示例代碼遵循兩個原則:
- 從
OPENAI_API_KEY讀取密鑰,不在代碼裡寫死。 - 沒有 API Key 時自動進入 mock 模式,方便先理解流程。
核心調用方式可以簡化成下面這樣:
import os
api_key = os.getenv("OPENAI_API_KEY")
if not api_key:
print("未配置 OPENAI_API_KEY,进入 mock 模式。")
else:
# 真实项目中在这里初始化 SDK 客户端并发起请求。
print("已读取 OPENAI_API_KEY,可以调用模型。")
常見坑
- 只跑通 Demo 就直接發佈,缺少錯誤處理、日誌和人工審核。
- 把 API Key、真實路徑、賬號或業務數據寫進文章和代碼。
- 沒有區分 mock 示例和真實線上環境,導致讀者複製後無法復現。
- 引用 API 或框架能力時沒有核對官方文檔,版本變化後容易誤導讀者。
總結
- 這篇文章圍繞「大模型使用指南 10:JSON 輸出失敗後如何自動修復?」解決一個具體工程問題:只靠一次生成無法保證字段完整,人工修復成本高。
- 實踐時優先保證可復現、可回滾、可人工審核,不要只追求一次性生成效果。
- 涉及模型能力、API 參數和第三方框架時,發佈前需要重新核對官方文檔。
CSDN 標籤
JSON、Python、大模型、數據質量、自動化
公眾號摘要
文章給出結構化輸出失敗後的自動修復方案,適合做數據抽取和業務自動化。
知乎標題變體
- 大模型輸出 JSON 失敗了怎麼辦?
- 如何設計結構化輸出的重試閉環?
- LLM 數據抽取如何減少人工修復?
參考資料與延伸閱讀
- OpenAI 官方文檔:以你實際使用的模型、SDK 和賬號權限為準。
- Python 官方文檔:環境變量、虛擬環境和異常處理部分。
- 相關框架官方文檔:LangChain、LlamaIndex、Haystack、向量數據庫等按文章主題選擇。