instructor

# Instructor：结构化 LLM 输出 ## 何时使用此技能 在以下场景中使用 Instructor： - **可靠地从 LLM 响应中提取结构化数据** - **自动根据 Pydantic 模式验证输出** - **通过自动错误处理重试失败的提取** - **进行类型安全且经过验证的复杂 JSON 解析** - **流式传输部分结果以进行实时处理** - **通过一致的 API 支持多个 LLM 提供商** **GitHub 星标**：15,000+ | **实战检验**：100,000+ 开发者使用 ## 安装 bash # 基础安装 pip install instructor # 针对特定提供商 pip install "instructor[anthropic]" # Anthropic Claude pip install "instructor[openai]" # OpenAI pip install "instructor[all]" # 所有提供商 ## 快速入门 ### 基础示例：提取用户数据 python import instructor from pydantic import BaseModel from anthropic import Anthropic # 定义输出结构 class User(BaseModel): name: str age: int email: str # 创建 instructor 客户端 client = instructor.from_anthropic(Anthropic()) # 提取结构化数据 user = client.messages.create( model="claude-sonnet-4-5-20250929", max_tokens=1024, messages=[{ "role": "user", "content": "John Doe 今年 30 岁。他的邮箱是 [email protected]" }], response_model=User ) print(user.name) # "John Doe" print(user.age) # 30 print(user.email) # "[email protected]" ### 使用 OpenAI python from openai import OpenAI client = instructor.from_openai(OpenAI()) user = client.chat.completions.create( model="gpt-4o-mini", response_model=User, messages=[{"role": "user", "content": "提取：Alice, 25, [email protected]"}] ) ## 核心概念 ### 1. 响应模型 (Pydantic) 响应模型定义了 LLM 输出的结构和验证规则。 #### 基础模型 python from pydantic import BaseModel, Field class Article(BaseModel): title: str = Field(description="文章标题") author: str = Field(description="作者姓名") word_count: int = Field(description="字数", gt=0) tags: list[str] = Field(description="相关标签列表") article = client.messages.create( model="claude-sonnet-4-5-20250929", max_tokens=1024, messages=[{ "role": "user", "content": "分析这篇文章：[文章内容]" }], response_model=Article ) **优势：** - 通过 Python 类型提示实现类型安全 - 自动验证 (wor