Structured Outputs

了解结构化输出如何提供机器可读的 AI 数据。在 Ultralytics Platform 上探索使用 Ultralytics YOLO26 进行的模式强制执行和视觉任务。

结构化输出是指人工智能中的一种方法，其中严格强制模型的响应遵守预定义的的数据格式，通常是 JSON Schema。在传统的大型语言模型 (LLMs) 中，文本生成依赖于概率标记预测，这通常会导致非结构化的自由格式文本。通过利用结构化输出，开发者可以保证 AI 系统返回机器可读的、可预测的数据，从而消除了对脆弱的解析脚本和复杂错误处理的需求。

了解结构化输出与 JSON 模式#

尽管生成式 AI 的早期迭代提供了一个基础的“JSON 模式”，但这只能确保输出是有效的 JSON，而不能保证它包含所请求的具体键或数据类型。结构化输出通过一种称为受限解码的技术解决了这个问题。在生成过程中，推理引擎会在每个步骤过滤模型的词汇表，屏蔽会违反开发者提供的架构的标记。这确保了 100% 的架构合规性。

函数调用（工具使用）的概念与此方法密切相关。虽然函数调用允许模型决定何时执行外部工具，但它完全依赖于结构化输出，以便在没有幻觉的情况下准确填充工具所需的参数。

行业采用与框架#

在 2024 年至 2025 年间，各大 AI 提供商将结构化输出作为原生功能，以提高企业系统的可靠性。例如，OpenAI Structured Outputs API 允许开发者使用 Python 中的 Pydantic 或 JavaScript 中的 Zod 来定义严密的架构。类似地，Anthropic's Claude structured outputs 和 Google Gemini structured output 工具现在支持对复杂提示词进行严格的架构强制执行。

开源生态系统也利用诸如 vLLM 和 Outlines 之类的框架，为使用 PyTorch 构建的自定义模型提供受限解码方法。

实际应用#

实现结构化输出可将模棱两可的 AI 响应转化为可操作的预测建模数据。关键用例包括：

数据提取管道：企业使用结构化输出从原始的非结构化文档中提取特定实体（如候选人姓名、发票总额和日期），并将其直接摄入 SQL 数据库，而无需手动录入数据。
自主 AI 智能体：智能体工作流依赖结构化数据来导航复杂的软件。智能体可能会分析用户查询并输出触发外部 API 的严格 JSON 有效负载，通过诸如 Databricks Model Serving 等系统安全地扩展操作。

计算机视觉中的结构化输出#

虽然在自然语言处理中被广泛讨论，但结构化输出是计算机视觉的基础运行原则。视觉模型不会输出自由格式文本；它们原生生成高度组织化的张量，表示坐标、类别和置信度得分。例如，诸如 Ultralytics YOLO26 之类的先进模型可以评估图像并返回严格格式化的空间数据，这非常适合在低延迟边缘环境中进行无缝模型部署。

以下代码片段演示了使用 ultralytics 软件包提取结构化目标检测结果是多么容易：

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}")

通过弥合概率 AI 逻辑与确定性软件需求之间的差距，结构化输出成为在 Ultralytics Platform 及其他平台上构建可扩展、生产就绪系统的关键组件。