自由文本不适合作为业务 API 的输入。结构化输出可以降低解析歧义,但仍需要服务端校验字段、权限和业务状态。
核心概念
模型输出校验、业务校验和权限校验是三层边界。工具函数应返回稳定错误码,写操作使用幂等键,模型不能直接访问数据库或环境变量。
可运行示例
from pydantic import BaseModel, Field
class TicketDecision(BaseModel):
category: str
priority: str = Field(pattern='^(low|normal|high)$')
needs_human: bool
def safe_dispatch(decision: TicketDecision) -> dict:
if decision.category not in {'product', 'billing', 'security'}:
raise ValueError('unknown category')
return {'status': 'needs_human' if decision.needs_human else 'ready', 'category': decision.category}
操作步骤
- 为每个模型输出定义版本化 schema 和枚举值。
- 解析后再次检查长度、权限、资源归属和业务状态。
- 把只读工具与写工具分组,写工具默认进入待确认队列。
- 用未知字段、缺字段、重复请求和越权输入做测试。
适用场景
适合工单分流、CRM 助手、审批建议和需要稳定 API 的 AI 产品。
常见问题
结构化输出能保证正确吗? 只能保证形状,不能保证事实和权限正确。
模型能调用写接口吗? 需要独立授权、幂等和人工确认,不应直接拥有高风险凭证。
官方参考
OpenAI Function Calling;OpenAI Structured Outputs。
最后核对日期:2026-11-16。版本、接口和安全边界以链接的官方资料为准;本文不虚构性能或费用结论。
