请用 30 秒说明怎样用 Pydantic 提高 LLM 结构化输出稳定性

题型：30 秒基础题 · 说明约束、错误分类和恢复闭环。

30 秒回答

LLM 在剧本解析和设定抽取中容易出现 JSON 破损、字段缺失或语义不符合约束的问题。我用 Pydantic 把节点输出定义成版本化 Schema，先做解析、字段和跨字段校验，再根据错误类型决定本地修复、带校验反馈的二次推理或有限重试。只有校验通过的结果才进入下游并持久化，同时保留原始输出和错误信息用于追踪。Pydantic 提供的是验证边界，不能保证模型天然理解业务语义。

面试官关注点

• 是否区分 JSON 可解析、Schema 合法和业务语义正确。
• 是否说明无效结果不会污染下游状态。
• 是否知道 repair/retry 必须有错误分类和次数上限。

易错点

• 不要说“用了 Pydantic 就能保证 LLM 输出正确”。
• 不要对所有失败无差别重试，参数错误和 Schema 设计错误不会靠重试解决。