Structured Outputs
Tìm hiểu cách structured output cung cấp dữ liệu AI mà máy có thể đọc. Khám phá việc áp dụng schema và các tác vụ vision với Ultralytics YOLO26 trên Ultralytics Platform.
Đầu ra có cấu trúc là một phương pháp trong lĩnh vực trí tuệ nhân tạo, trong đó phản hồi của model được buộc phải tuân thủ nghiêm ngặt một định dạng dữ liệu được xác định trước, thường là JSON Schema. Trong các Mô hình ngôn ngữ lớn (LLMs) truyền thống, việc sinh văn bản dựa trên dự đoán token theo xác suất, thường tạo ra văn bản không có cấu trúc và ở dạng tự do. Bằng cách sử dụng đầu ra có cấu trúc, developer có thể đảm bảo hệ thống AI trả về dữ liệu có thể đọc được bởi máy và có tính dự đoán, loại bỏ nhu cầu sử dụng các script phân tích mong manh và cơ chế xử lý lỗi phức tạp.
Tìm hiểu về Đầu ra có cấu trúc và Chế độ JSON#
Mặc dù các phiên bản đầu tiên của AI tạo sinh cung cấp một "chế độ JSON" cơ bản, chế độ này chỉ đảm bảo đầu ra là JSON hợp lệ mà không đảm bảo đầu ra chứa các khóa hoặc kiểu dữ liệu cụ thể được yêu cầu. Đầu ra có cấu trúc giải quyết vấn đề này thông qua một kỹ thuật gọi là giải mã bị ràng buộc. Trong quá trình sinh, engine suy luận lọc vocabulary của model ở mỗi bước, che các token có thể vi phạm schema do developer cung cấp. Điều này đảm bảo tuân thủ schema 100%.
Khái niệm Gọi hàm (Sử dụng công cụ) có liên quan chặt chẽ đến phương pháp này. Trong khi gọi hàm cho phép model xác định khi nào thực thi một công cụ bên ngoài, cơ chế này hoàn toàn dựa vào đầu ra có cấu trúc để điền chính xác các tham số bắt buộc của công cụ mà không phát sinh thông tin bịa đặt.
Mức độ áp dụng và Framework trong ngành#
Trong giai đoạn 2024–2025, các nhà cung cấp AI lớn đã đưa đầu ra có cấu trúc trở thành một tính năng native nhằm cải thiện độ tin cậy của các hệ thống doanh nghiệp. Ví dụ, OpenAI Structured Outputs API cho phép developer định nghĩa các schema nghiêm ngặt bằng Pydantic trong Python hoặc Zod trong JavaScript. Tương tự, các công cụ đầu ra có cấu trúc của Claude của Anthropic và đầu ra có cấu trúc của Google Gemini hiện hỗ trợ thực thi schema nghiêm ngặt cho các prompt phức tạp.
Các hệ sinh thái mã nguồn mở cũng tận dụng những framework như vLLM và Outlines để cung cấp các phương pháp giải mã bị ràng buộc cho các model tùy chỉnh được xây dựng bằng PyTorch.
Các ứng dụng trong thực tế#
Việc triển khai đầu ra có cấu trúc biến các phản hồi AI mơ hồ thành dữ liệu mô hình hóa dự đoán có thể hành động. Các trường hợp sử dụng chính gồm:
- Pipeline trích xuất dữ liệu: Các doanh nghiệp sử dụng đầu ra có cấu trúc để trích xuất các thực thể cụ thể (chẳng hạn như tên ứng viên, tổng tiền hóa đơn và ngày tháng) từ các tài liệu thô, không có cấu trúc, rồi đưa trực tiếp vào cơ sở dữ liệu SQL mà không cần nhập dữ liệu thủ công.
- Agent AI tự động: Các workflow agent dựa vào dữ liệu có cấu trúc để điều hướng phần mềm phức tạp. Một agent có thể phân tích truy vấn của người dùng và xuất ra payload JSON nghiêm ngặt để kích hoạt một API bên ngoài, mở rộng quy mô vận hành một cách an toàn thông qua các hệ thống như Databricks Model Serving.
Đầu ra có cấu trúc trong Thị giác máy tính#
Mặc dù được thảo luận nhiều trong lĩnh vực xử lý ngôn ngữ tự nhiên, đầu ra có cấu trúc là nguyên lý vận hành nền tảng của Thị giác máy tính. Các vision model không xuất ra văn bản dạng tự do; chúng vốn dĩ tạo ra các tensor có tổ chức cao, biểu diễn tọa độ, class và điểm độ tin cậy. Ví dụ, các model tiên tiến như Ultralytics YOLO26 đánh giá một hình ảnh và trả về dữ liệu không gian có định dạng nghiêm ngặt, rất phù hợp để triển khai model liền mạch trong các môi trường edge có độ trễ thấp.
Đoạn mã sau minh họa cách dễ dàng trích xuất kết quả phát hiện đối tượng có cấu trúc bằng package 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}")Bằng cách thu hẹp khoảng cách giữa logic AI mang tính xác suất và các yêu cầu phần mềm mang tính tất định, đầu ra có cấu trúc trở thành một thành phần quan trọng trong việc xây dựng các hệ thống có khả năng mở rộng, sẵn sàng cho môi trường production trên Ultralytics Platform và các nền tảng khác.
