凡是"模型的输出要交给代码继续处理"的场景，都需要结构化输出：信息抽取、分类打标、给工具传参数（Day 29 工具调用就靠它）、给前端渲染卡片……可以说这是 Agent 工程的地基技能。

{
  "name": "张三",           // 字符串用双引号
  "amount": 300,            // 数字不用引号
  "vip": true,              // 布尔值：true / false
  "tags": ["新客", "投诉"],   // 数组（列表）用方括号
  "note": null              // 空值用 null
}

几条铁律（模型最容易违反的）：键必须用双引号；字符串用双引号（不是单引号）；最后一项后面不能有多余逗号；不能写注释（上面的 // 只是讲解用，真 JSON 里不许有）。

方式一：prompt 明确要求（哪都能用，但不保证）

# 在指令里把话说死：只要 JSON、给出字段
prompt = """从下面文本抽取信息，只输出 JSON，不要任何多余文字。
字段：name(字符串), amount(数字)。
文本：客户张三今天消费了 300 元。"""
resp = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[{"role": "user", "content": prompt}],
    temperature=0,          # 抽取类任务用低温，稳定（回忆 Day 13）
)
print(resp.choices[0].message.content)   # 期望："{\"name\":\"张三\",\"amount\":300}"

方式二：JSON 模式（平台保证输出是合法 JSON）。很多平台提供 response_format={"type": "json_object"} 这类开关，打开后平台会保证返回的是能被解析的 JSON（但字段对不对还得你自己校验，见 L04）。用它时prompt 里仍要说清要哪些字段。

resp = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[{"role": "user", "content": prompt}],
    response_format={"type": "json_object"},   # 开启 JSON 模式
    temperature=0,
)
import json
data = json.loads(resp.choices[0].message.content)  # 放心解析成字典
print(data["amount"])    # 300

方式三：给出字段定义（schema）。更强的平台支持你直接传一份"字段定义单"，让平台按定义约束输出（有的叫 structured outputs / JSON schema）。这和 Day 29「工具调用」用的是同一套机制——见 L05。

先装：pip install pydantic。然后定义"表格"：

from pydantic import BaseModel

# 这就是"栏位定义单"：一张表该长什么样
class Customer(BaseModel):
    name: str        # 姓名，必须是字符串
    amount: int      # 金额，必须是整数
    vip: bool = False  # 有默认值 => 选填

# 模型吐回来的 JSON 文本（假设已拿到）
raw = '{"name": "张三", "amount": "300"}'   # 注意 amount 是字符串"300"

# 验收 + 自动转换类型
c = Customer.model_validate_json(raw)   # pydantic 会把 "300" 转成 int 300
print(c.name, c.amount, type(c.amount))  # 张三 300 
print(c.vip)                             # False（用了默认值）

比如你有个"查天气"的函数 get_weather(city: str, date: str)。你把它的参数写成一份 schema 交给模型，模型看懂用户说"明天北京冷不冷"，就会填出：

{ "city": "北京", "date": "2026-07-13" }

你的代码拿到这份"填好的表"，就能真的去调 get_weather("北京", "2026-07-13")。看到没——模型没"运行"任何东西，它只是按栏位填了张表，真正执行的还是你的代码。

import json
from pydantic import BaseModel, ValidationError

class Customer(BaseModel):
    name: str
    amount: int

def extract(text, max_retry=2):
    prompt = f"抽取信息，只输出 JSON，字段 name/amount。文本：{text}"
    for i in range(max_retry + 1):          # 给几次机会
        resp = client.chat.completions.create(
            model="gpt-4o-mini",
            messages=[{"role": "user", "content": prompt}],
            response_format={"type": "json_object"},
            temperature=0,                  # 稳定，减少重试
        )
        raw = resp.choices[0].message.content
        try:
            return Customer.model_validate_json(raw)  # 解析+校验一步到位
        except (ValidationError, json.JSONDecodeError) as e:
            prompt += f"\n上次输出不合格：{e}，请修正后重新只输出 JSON。"  # 把错误喂回去
    raise RuntimeError("多次尝试仍无法得到合格 JSON")   # 兜底：老实报错

print(extract("客户李四消费了 520 元"))   # name='李四' amount=520

✋ 动手（约 10 分钟）

目标：让模型把一句话变成合格的、能被程序取值的 JSON。存成 day14.py（先 pip install pydantic openai）。

from openai import OpenAI
from pydantic import BaseModel
import json
client = OpenAI()

class Order(BaseModel):        # 定义你要的"表格"
    product: str               # 商品名
    quantity: int              # 数量
    urgent: bool = False        # 是否加急（选填）

text = "帮我下单 3 台加湿器，要加急"
prompt = f"""从文本抽取订单信息，只输出 JSON，字段：
product(字符串) / quantity(整数) / urgent(布尔)。
文本：{text}"""

resp = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[{"role": "user", "content": prompt}],
    response_format={"type": "json_object"},   # 开 JSON 模式
    temperature=0,
)
raw = resp.choices[0].message.content
order = Order.model_validate_json(raw)          # 校验 + 转类型
print("原始JSON:", raw)
print("拿到字段:", order.product, order.quantity, order.urgent)

# 进阶：把定义单打印出来看看
print(json.dumps(Order.model_json_schema(), ensure_ascii=False, indent=2))