Instructor实战：让LLM老老实实返回JSON

你让GPT返回个用户信息JSON，它给你包了三层markdown：

{
  "name": "张三"
}

你要个评分数字，它给你返回"高"。你要个列表，它少了俩字段。

这不是模型不行，是你没用对工具。Instructor就是专门治这个病的——3行代码，保证LLM输出跟你的Pydantic模型一模一样。

为什么需要Instructor

Raw JSON mode有三个硬伤：

1. 格式不可控

# 你期望的
{"score": 0.85}

# GPT给你的
```json
{"score": "很高", "confidence": "非常确定"}
\```

2. 字段缺失/多余 模型经常自己发挥，加字段或者漏字段，下游代码直接炸。

3. 没有重试机制 验证失败了就失败了，你得手写重试逻辑。

Instructor的解法很直接：用Pydantic定义schema，自动验证，失败了自动重试，直到拿到合法数据或者超过重试次数。

5分钟上手

pip install instructor openai pydantic

最简单的例子——提取人物信息：

import instructor
from openai import OpenAI
from pydantic import BaseModel

class Person(BaseModel):
    name: str
    age: int
    occupation: str

client = instructor.from_openai(OpenAI())

person = client.chat.completions.create(
    model="gpt-4o",
    messages=[
        {"role": "user", "content": "Extract: John is 30, works as an engineer"}
    ],
    response_model=Person,
    max_retries=3
)

print(person.name)  # John
print(person.age)   # 30

工作流程：

定义Pydantic模型
from_openai()包装客户端
传response_model参数
拿到的直接是验证过的Python对象

验证失败？自动重试。字段类型错了？自动重试。直到成功或者达到max_retries。

复杂场景：嵌套结构+自定义验证

真实业务不会这么简单。来个工单分类系统：

from pydantic import BaseModel, Field, field_validator
from typing import List, Optional
from enum import Enum

class Priority(str, Enum):
    LOW = "low"
    MEDIUM = "medium"
    HIGH = "high"
    CRITICAL = "critical"

class Tag(BaseModel):
    name: str = Field(..., min_length=2, max_length=20)
    confidence: float = Field(..., ge=0.0, le=1.0)

class Ticket(BaseModel):
    title: str = Field(..., min_length=10)
    priority: Priority
    tags: List[Tag] = Field(..., min_items=1, max_items=5)
    estimated_hours: Optional[float] = Field(None, gt=0, le=100)
    
    @field_validator('estimated_hours')
    @classmethod
    def validate_hours(cls, v):
        if v is not None and v % 0.5 != 0:
            raise ValueError('工时必须是0.5的倍数')
        return v

ticket = client.chat.completions.create(
    model="gpt-4o",
    messages=[{
        "role": "user",
        "content": "分类工单：生产环境Redis崩了，影响所有用户登录"
    }],
    response_model=Ticket,
    max_retries=3
)

print(ticket.priority)  # Priority.CRITICAL
print(ticket.tags[0].name)  # redis
print(ticket.estimated_hours)  # 2.0 (符合0.5倍数规则)

这里用了：

枚举类型（Priority）
嵌套对象（List[Tag]）
字段约束（min_length、ge/le范围）
自定义验证器（工时必须0.5倍数）

任何一个不符合，Instructor会把验证错误信息塞回prompt，让模型重新生成。

流式输出：边生成边处理

大列表或者复杂对象，等模型全生成完太慢。Instructor支持Partial streaming：

from instructor import Partial

class UserList(BaseModel):
    users: List[Person]

stream = client.chat.completions.create_partial(
    model="gpt-4o",
    messages=[{
        "role": "user",
        "content": "提取：张三30岁工程师，李四25岁设计师，王五35岁产品"
    }],
    response_model=Partial[UserList],
    stream=True
)

for partial_result in stream:
    if partial_result.users:
        print(f"已提取 {len(partial_result.users)} 个用户")
        for user in partial_result.users:
            if user.name:  # Partial对象字段可能None
                print(f"  - {user.name}")

输出：

已提取 1 个用户
  - 张三
已提取 2 个用户
  - 张三
  - 李四
已提取 3 个用户
  - 张三
  - 李四
  - 王五

Partial[T]会把模型里的所有字段标记为Optional，你可以实时处理部分结果，不用等全部生成完。

注意：streaming模式下不能用@field_validator，因为中间状态可能不满足验证规则。

多provider支持：一套代码跑遍所有模型

Instructor 2026版支持15+家provider，API完全一样：

# OpenAI
client = instructor.from_openai(OpenAI())

# Anthropic Claude
from anthropic import Anthropic
client = instructor.from_anthropic(Anthropic())

# Google Gemini
import google.generativeai as genai
client = instructor.from_gemini(genai.GenerativeModel("gemini-2.0-flash-001"))

# 本地模型 (Ollama)
from openai import OpenAI
client = instructor.from_openai(
    OpenAI(base_url="http://localhost:11434/v1", api_key="ollama"),
    mode=instructor.Mode.JSON
)

切provider只需要改初始化代码，response_model和业务逻辑完全不变。

本地模型建议用Mode.JSON而不是Mode.TOOLS，因为开源模型的function calling能力参差不齐。

三个踩坑记录

1. 重试次数别设太高

# ❌ 这样写token消耗爆炸
response = client.create(
    response_model=ComplexModel,
    max_retries=10  # 验证失败会重试10次，每次都扣token
)

# ✅ 3次够了，验证失败说明prompt有问题
max_retries=3

每次重试都会把错误信息加到prompt里再调一次API。复杂模型验证失败10次，token消耗是正常的3-5倍。

2. 嵌套太深会超context

class DeepNested(BaseModel):
    level1: List['DeepNested']  # 递归嵌套

# 模型生成超深结构时，验证错误信息会非常长
# 重试时prompt可能超出context window

解决：限制嵌套深度，或者用max_items约束列表长度。

3. streaming不支持同步validators

class User(BaseModel):
    email: str
    
    @field_validator('email')
    @classmethod
    def validate_email(cls, v):
        # ❌ 在 create_partial(stream=True) 里不会执行
        if '@' not in v:
            raise ValueError('Invalid email')
        return v

streaming模式返回的是Partial对象，验证器会被跳过。需要在最终结果上再验证一次。

Instructor vs PydanticAI：什么时候该换

Instructor适合单次提取任务：

从文本提取结构化数据
分类、打标签
格式转换

PydanticAI适合多轮agent交互：

需要调用工具（搜索、数据库查询）
多步骤推理
需要记录执行历史和可观测性

两者都是Pydantic团队官方产品，Instructor专注schema-first提取，PydanticAI是完整的agent runtime。

简单记：只要JSON就用Instructor，要干活就上PydanticAI。

一张清单

生产环境用Instructor之前，确认这5点：

max_retries设成2-3，不要超过5
嵌套层级 ≤ 3层
List字段都加了max_items限制
streaming场景没用field_validator
算过token成本（重试会double消耗）

完整代码：python.useinstructor.com/

推荐订阅源

掘金