Structured Outputs

As saídas estruturadas referem-se a uma metodologia em inteligência artificial na qual as respostas do modelo são rigorosamente obrigadas a seguir um formato de dados predefinido, normalmente um JSON Schema. Nos Large Language Models (LLMs) tradicionais, a geração de texto baseia-se na previsão probabilística de tokens, o que frequentemente resulta em texto não estruturado e de formato livre. Ao utilizar saídas estruturadas, os developers podem garantir que um sistema de IA devolva dados legíveis por máquina e previsíveis, eliminando a necessidade de scripts frágeis de análise e de um tratamento de erros complexo.

Compreender as saídas estruturadas em comparação com o modo JSON#

Embora as primeiras versões da IA generativa oferecessem um "modo JSON" básico, isso apenas garantia que a saída fosse um JSON válido, sem garantir que contivesse as chaves ou os tipos de dados específicos solicitados. As saídas estruturadas resolvem este problema através de uma técnica denominada descodificação condicionada. Durante a geração, o motor de inferência filtra o vocabulário do modelo em cada etapa, mascarando os tokens que violariam o esquema fornecido pelo developer. Isto garante 100% de conformidade com o esquema.

O conceito de chamada de funções (utilização de ferramentas) está estreitamente relacionado com esta metodologia. Embora a chamada de funções permita aos modelos determinar quando executar uma ferramenta externa, depende inteiramente de saídas estruturadas para preencher corretamente os parâmetros obrigatórios da ferramenta sem alucinações.

Adoção pela indústria e frameworks#

Entre 2024 e 2025, os principais fornecedores de IA transformaram as saídas estruturadas numa funcionalidade nativa para melhorar a fiabilidade dos sistemas empresariais. Por exemplo, a API de saídas estruturadas da OpenAI permite aos developers definir esquemas rigorosos utilizando Pydantic em Python ou Zod em JavaScript. Da mesma forma, as saídas estruturadas do Claude da Anthropic e as ferramentas de saída estruturada do Google Gemini agora permitem impor esquemas rigorosos para prompts complexos.

Os ecossistemas de código aberto também utilizam frameworks como vLLM e Outlines para fornecer metodologias de descodificação condicionada para modelos personalizados desenvolvidos com PyTorch.

Aplicações no mundo real#

A implementação de saídas estruturadas transforma respostas ambíguas de IA em dados úteis de modelação preditiva. Os principais casos de utilização incluem:

• Pipelines de extração de dados: As empresas utilizam saídas estruturadas para extrair entidades específicas (como nomes de candidatos, totais de faturas e datas) de documentos brutos e não estruturados e introduzi-las diretamente em bases de dados SQL sem introdução manual de dados.
• Agentes de IA autónomos: Os fluxos de trabalho agênticos dependem de dados estruturados para navegar em software complexo. Um agente pode analisar uma consulta do utilizador e produzir um payload JSON rigoroso que aciona uma API externa, escalando as operações de forma segura através de sistemas como o Databricks Model Serving.

Saídas estruturadas em visão computacional#

Embora sejam amplamente discutidas no processamento de linguagem natural, as saídas estruturadas são o princípio operacional fundamental da visão computacional. Os modelos de visão não produzem texto de formato livre; produzem nativamente tensores altamente organizados que representam coordenadas, classes e pontuações de confiança. Por exemplo, modelos de última geração como o Ultralytics YOLO26 avaliam uma imagem e devolvem dados espaciais estritamente formatados, ideais para uma implementação de modelos contínua em ambientes de edge computing com baixa latência.

O seguinte trecho demonstra como é fácil extrair resultados estruturados de deteção de objetos utilizando o pacote ultralytics:

from ultralytics import YOLO

# Load the recommended Ultralytics YOLO26 model
model = YOLO("yolo26n.pt")

# Perform inference to generate structured visual data
results = model("image.jpg")

# The model strictly outputs structured bounding box objects
for box in results[0].boxes:
    print(f"Class ID: {box.cls}, Confidence: {box.conf}, Coordinates: {box.xyxy}")

Ao colmatar a lacuna entre a lógica probabilística da IA e os requisitos determinísticos do software, as saídas estruturadas constituem um componente crítico na criação de sistemas escaláveis e prontos para produção na Ultralytics Platform e além dela.