伦敦证券交易所集团用 Instructor 构建 AI 市场监控系统生产级结构化输出的金融实战案例【免费下载链接】instructorstructured outputs for llms项目地址: https://gitcode.com/GitHub_Trending/in/instructor导读本文基于 Instructor 官方博客案例深入剖析伦敦证券交易所集团LSEG如何将 Instructor 部署到生产环境支撑其 AI 驱动的市场监控Market Surveillance系统通过 Amazon Bedrock 调用 Anthropic Claude 模型对海量监管新闻做高精度的价格敏感性分类。文章在完整还原 LSEG 案例的规模、指标与技术架构之外还结合当前仓库的 Bedrock 集成文档、Anthropic 集成文档、分类示例与 Pydantic 校验源码给出可复现的两阶段分类管线实现帮助你掌握如何在强监管、高吞吐的金融场景中落地 LLM 结构化输出。案例背景为什么市场监控需要结构化输出伦敦证券交易所集团每年处理超过£1 万亿的证券交易涉及400 家会员机构因此必须构建精细的市场滥用market abuse检测机制。其全新 AI 驱动的Surveillance Guide监控指南系统承担一个关键任务自动分析海量监管新闻判断其中哪些内容属于价格敏感信息price-sensitive news从而辅助分析师快速复核被标记为潜在市场滥用的交易。这一场景对 AI 系统的核心诉求是准确性与可靠性优先于一切——金融监管合规领域不允许随意的、格式不稳定的模型输出。LSEG 选择 Instructor 正是因为它能把 LLM 的自由文本输出强制转换为类型安全、可校验的 Pydantic 结构让下游 Python 管道可以零摩擦地消费这些结果这正是 Instructor 的核心能力项目描述即为 structured outputs for llms。生产环境的实际效果据官方博客公布的数据LSEG 的市场监控系统取得了非常亮眼的运行指标100% 精确率precision识别非敏感新闻时无一误判100% 召回率recall检测价格敏感内容时无一漏报自动化分析了250,000 篇监管新闻文章显著降低了人工分析师的工作负担。需要说明的是上述指标来自官方博客案例的公开表述从仓库内部我们无法复现其评测集因此这些数字应视为 LSEG 对外公布的运行结论而非本仓库可验证的基准。结合仓库中的分类示例如 examples/classification/classifiy_with_validation.py可以推断这类零漏报、零误报的目标依赖两件事一是足够清晰的任务定义与枚举约束二是完善的校验与重试机制下文将逐一展开。技术架构Instructor × Claude × Amazon BedrockLSEG 的技术栈包含三个关键层次Instructor 库与 Claude 模型无缝集成负责把 LLM 输出约束为结构化、可校验的响应模型Amazon Bedrock可扩展的基础模型基础设施托管并调用 Anthropic Claude 模型自定义 Python 管道负责数据处理与分析消费 Instructor 产出的结构化结果。整条链路的核心是两阶段分类方法监管新闻先经过初步分类再进入后续分析环节Instructor 在其中确保 LLM 返回可靠、结构化的响应供下游分析直接使用。在仓库中定位这套技术栈这套架构在当前仓库中有完整的一手资料支撑docs/integrations/bedrock.md完整的 Bedrock 接入指南含环境配置、同步/异步示例、支持的模式与模型列表docs/integrations/anthropic.mdAnthropic Claude 的结构化输出教程涵盖工具调用、流式与思考模式instructor/providers/bedrock/client.pyBedrock 兼容层源码from_bedrock从instructor.v2.providers.bedrock.client导入说明当前版本已统一走 v2 实现instructor/providers/包含 bedrock、anthropic 等全部官方 provider 目录。第一步从零搭建 Bedrock 结构化输出客户端安装与环境准备LSEG 使用的核心依赖是 AWS Bedrock Claude 模型。按仓库集成文档安装命令为pip install instructor[bedrock]前提条件拥有可访问 Bedrock 的 AWS 账户及相应权限并配置好 AWS 凭证可通过环境变量或 AWS CLI 两种方式# 方式一环境变量 export AWS_ACCESS_KEY_IDyour_access_key export AWS_SECRET_ACCESS_KEYyour_secret_key export AWS_DEFAULT_REGIONus-east-1 # 方式二AWS CLI aws configure用 from_provider 创建客户端当前版本推荐使用统一的from_provider入口见 docs/concepts/from_provider.md一行代码即可完成客户端创建并自动处理 AWS 凭证探测、区域配置默认us-east-1以及基于模型的模式选择Claude 模型默认使用TOOLS模式import instructor # Auto client with model specification client instructor.from_provider(bedrock/anthropic.claude-sonnet-5)如果已有自定义的 boto3 客户端例如需要指定区域或凭证也可以显式传入import boto3 import instructor bedrock_client boto3.client( bedrock-runtime, region_nameus-west-2, aws_access_key_idyour_key, aws_secret_access_keyyour_secret, ) client instructor.from_provider( bedrock/anthropic.claude-sonnet-5, clientbedrock_client, modeinstructor.Mode.TOOLS, )一个值得注意的兼容性细节Bedrock 集成同时支持 OpenAI 风格与 Bedrock 原生两种消息格式甚至可以在同一次请求中混用模型参数既可以用 OpenAI 风格的model也可以用 Bedrock 原生的modelId两者同时提供时modelId优先。这意味着团队可以把既有的 OpenAI 风格代码平滑迁移到 Bedrock 之上。一个完整的同步分类调用下面是一个可复制运行的入门示例结构与 docs/integrations/bedrock.md 中的 Sync Example 一致import boto3 import instructor from pydantic import BaseModel bedrock_client boto3.client(bedrock-runtime) client instructor.from_provider(bedrock/anthropic.claude-sonnet-5) class User(BaseModel): name: str age: int user client.create( modelIdanthropic.claude-sonnet-5, messages[ {role: user, content: Extract: Jason is 25 years old}, ], response_modelUser, ) print(user) # User(nameJason, age25)第二步用枚举 校验构建零误报分类模型市场监控分类对结果边界的约束极为严格。仓库的 枚举指南 明确建议用 Enum 约束标准化字段并始终提供一个 Other 兜底选项让模型能够表达不确定性从而防止数据错位data misalignment。对照 LSEG 的两阶段分类场景可以设计出如下响应模型——第一阶段判断新闻是否价格敏感from enum import Enum from pydantic import BaseModel, Field, field_validator class NewsSensitivity(str, Enum): PRICE_SENSITIVE price_sensitive NON_SENSITIVE non_sensitive OTHER other class FirstStageClassification(BaseModel): 第一阶段判断监管新闻是否属于价格敏感信息 sensitivity: NewsSensitivity Field( description( Correctly assign one of the predefined sensitivity levels based on whether the news could move the price of a listed security. ) ) tickers: list[str] Field( default_factorylist, descriptionSecurities or issuers mentioned in the article, if any, ) rationale: str Field( descriptionOne-sentence rationale supporting the classification ) field_validator(sensitivity) classmethod def require_sensitivity(cls, v): if v NewsSensitivity.OTHER: raise ValueError( Unable to determine sensitivity; please re-read the article and provide a definite classification. ) return v这里有两个关键设计枚举约束输出边界模型只能从固定取值中选择彻底消除了敏感不敏感价格敏感这类同义表述不一致带来的下游解析难题这正是 examples/classification/simple_prediction.py 中Labels枚举做法的生产化延伸。校验器把模糊回答挡在门外借助field_validator参考 docs/concepts/validation.md一旦模型给出OTHER这类含糊结论就主动触发失败从而驱动 Instructor 的重试机制——这正是实现100% 精确率 / 100% 召回率目标的基础设施保障。底层原理验证失败自动重试当校验器抛出ValueError时Instructor 会把校验错误信息反馈给 LLM并让其重新生成见 docs/concepts/reask_validation.md 与 docs/getting-started.md 的验证小节重试次数可以通过max_retries参数配置。在监管合规场景中建议显式设置合理的重试上限并在最终失败时走人工复核队列避免静默吞掉异常——仓库的错误处理指南提供了完整的异常类型与捕获模式。第三步两阶段分类管线的生产化实现将上述模型组合进两阶段流水线即可还原 LSEG 先分类、再分析的架构思路。第二阶段对已判定为价格敏感的新闻做更细粒度的市场影响分析import instructor from pydantic import BaseModel, Field class MarketImpact(BaseModel): 第二阶段评估价格敏感新闻的市场影响维度 direction: str Field( descriptionExpected price direction: up, down, or neutral ) magnitude: str Field( descriptionExpected impact magnitude: low, medium, or high ) affected_sector: str | None Field( defaultNone, descriptionSector most likely affected, if identifiable, ) key_evidence: list[str] Field( descriptionQuoted facts supporting this assessment ) client instructor.from_provider(bedrock/anthropic.claude-sonnet-5) SENSITIVITY_PROMPT ( You are a market surveillance analyst. Determine whether the following regulatory news is price-sensitive for any listed security. Classify into exactly one of: price_sensitive, non_sensitive, other. ) IMPACT_PROMPT ( The article below was flagged as price-sensitive. Analyze the expected market impact with precise, evidence-based reasoning. ) def analyze_article(article: str) - tuple[FirstStageClassification, MarketImpact | None]: 两阶段分析先判敏感性敏感新闻再评估市场影响 first_stage client.create( response_modelFirstStageClassification, max_retries3, messages[ {role: system, content: SENSITIVITY_PROMPT}, {role: user, content: article}, ], ) if first_stage.sensitivity ! NewsSensitivity.PRICE_SENSITIVE: return first_stage, None impact client.create( response_modelMarketImpact, max_retries3, messages[ {role: system, content: IMPACT_PROMPT}, {role: user, content: article}, ], ) return first_stage, impact生产化调优要点推理参数在低延迟敏感、结果要求保守的金融场景可显式降低温度。Bedrock 集成支持透传inferenceConfiguser client.create( modelIdanthropic.claude-sonnet-5, messages[{role: user, content: Analyze this news}], response_modelFirstStageClassification, inferenceConfig{ maxTokens: 2048, temperature: 0.1, topP: 0.9, stopSequences: [STOP], }, )批处理面对 25 万 篇新闻的规模逐条同步调用显然不够。仓库在 docs/concepts/batch.md 与 docs/concepts/parallel.md 中提供了批量与并行处理方案并配套 examples/batch_classification/含run.py、run_langsmith.py、run-cache.py等可直接参考的分类批处理示例。监控与可观测性生产部署需要记录每次分类的原始完成信息。Instructor 的create_with_completion见 docs/concepts/raw_response.md可以同时返回解析后的 Pydantic 对象与底层 completion便于审计与重放。模式选择Claude 模型下的结构化输出机制在 Bedrock 上运行 Claude 模型时Instructor 会根据模型能力与你的选择在几种核心模式间切换详见 docs/integrations/bedrock.md 的 Supported Modes 一节Mode.TOOLS使用函数调用function calling返回结构化结果Claude 系列模型默认走此模式Mode.JSON_SCHEMA针对支持原生 JSON Schema 约束解码的模型Mode.TOOLS_STRICT针对支持严格工具使用的模型的原生 schema 强制Mode.MD_JSON直接生成 JSON 文本响应作为文本抽取的回退方案。仓库还明确指出旧版模式BEDROCK_TOOLS、BEDROCK_JSON已废弃分别映射到Mode.TOOLS与Mode.MD_JSON而原生结构化输出需要boto3 1.42.42 或更高版本且不同模型支持能力不同选择JSON_SCHEMA或TOOLS_STRICT时应以 AWS 官方结构化输出文档为准。另外docs/integrations/anthropic.md 还展示了 Claude 专属的增强能力在Mode.TOOLS下传入thinking{type: adaptive}可启用自适应扩展思考让模型在输出结构化结果前先进行推理且要求显式设置tool_choice{type: auto}——这对于需要推理链 严格 schema的复杂监管判定场景非常契合。生产化扩展语义校验与人工兜底金融场景仅靠字段级校验枚举、数值范围还不够一些判定标准难以用规则表达。仓库在 docs/concepts/validation.md 中提供了llm_validator语义校验模式用第二个 LLM 调用检查语义层面的合规性examples/validators/moderation.py 展示了用AfterValidator(openai_moderation(...))在结果返回前做内容审核的做法。这类规则校验 语义校验的组合正是把 LSEG 案例中分析师复核环节自动化的可行路径。同时从源码结构看instructor/validation/ 下的llm_validators.py、async_validators.pyInstructor 将校验器与重试循环深度集成任何校验失败都会自动触发把错误反馈给模型并重试的闭环最终仍失败则抛出异常交由业务侧人工介入。这种设计保证了生产系统在追求自动化的同时永远保留可审计、可兜底的出口。总结从 LSEG 案例中可复用的工程模式LSEG 的 Surveillance Guide 案例证明了 Instructor 在准确性、可靠性至高无上的金融监管场景中的生产可行性。从案例与仓库证据中可以提炼出四条可复用的工程经验用枚举收紧输出边界分类、标签类字段一律使用Enum/Literal并提供OTHER兜底从源头消灭自由文本歧义见 docs/concepts/enums.md用校验器驱动自动重试把不可接受的模型回答如模糊分类通过field_validator显式判失败让 Instructor 的重试闭环自动纠正并用max_retries控制成本与延迟见 docs/getting-started.md用统一入口对接多模型from_provider(bedrock/...)一行切换基础设施配合 Bedrock 的 OpenAI 兼容输入格式降低供应商绑定成本见 docs/concepts/from_provider.md用结构化响应支撑批处理与审计25 万 文章规模必须走批量与并行管道并保留原始 completion 供审计追踪见 docs/concepts/batch.md。如果你也想构建自己的生产级结构化输出应用推荐从 getting-started 快速上手 开始并结合 examples/classification/ 的分类示例与 docs/integrations/bedrock.md 的 Bedrock 接入文档落地第一版管线。【免费下载链接】instructorstructured outputs for llms项目地址: https://gitcode.com/GitHub_Trending/in/instructor创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 伦敦证券交易所集团用 Instructor 构建 AI 市场监控系统：生产级结构化输出的金融实战案例
伦敦证券交易所集团用 Instructor 构建 AI 市场监控系统生产级结构化输出的金融实战案例【免费下载链接】instructorstructured outputs for llms项目地址: https://gitcode.com/GitHub_Trending/in/instructor导读本文基于 Instructor 官方博客案例深入剖析伦敦证券交易所集团LSEG如何将 Instructor 部署到生产环境支撑其 AI 驱动的市场监控Market Surveillance系统通过 Amazon Bedrock 调用 Anthropic Claude 模型对海量监管新闻做高精度的价格敏感性分类。文章在完整还原 LSEG 案例的规模、指标与技术架构之外还结合当前仓库的 Bedrock 集成文档、Anthropic 集成文档、分类示例与 Pydantic 校验源码给出可复现的两阶段分类管线实现帮助你掌握如何在强监管、高吞吐的金融场景中落地 LLM 结构化输出。案例背景为什么市场监控需要结构化输出伦敦证券交易所集团每年处理超过£1 万亿的证券交易涉及400 家会员机构因此必须构建精细的市场滥用market abuse检测机制。其全新 AI 驱动的Surveillance Guide监控指南系统承担一个关键任务自动分析海量监管新闻判断其中哪些内容属于价格敏感信息price-sensitive news从而辅助分析师快速复核被标记为潜在市场滥用的交易。这一场景对 AI 系统的核心诉求是准确性与可靠性优先于一切——金融监管合规领域不允许随意的、格式不稳定的模型输出。LSEG 选择 Instructor 正是因为它能把 LLM 的自由文本输出强制转换为类型安全、可校验的 Pydantic 结构让下游 Python 管道可以零摩擦地消费这些结果这正是 Instructor 的核心能力项目描述即为 structured outputs for llms。生产环境的实际效果据官方博客公布的数据LSEG 的市场监控系统取得了非常亮眼的运行指标100% 精确率precision识别非敏感新闻时无一误判100% 召回率recall检测价格敏感内容时无一漏报自动化分析了250,000 篇监管新闻文章显著降低了人工分析师的工作负担。需要说明的是上述指标来自官方博客案例的公开表述从仓库内部我们无法复现其评测集因此这些数字应视为 LSEG 对外公布的运行结论而非本仓库可验证的基准。结合仓库中的分类示例如 examples/classification/classifiy_with_validation.py可以推断这类零漏报、零误报的目标依赖两件事一是足够清晰的任务定义与枚举约束二是完善的校验与重试机制下文将逐一展开。技术架构Instructor × Claude × Amazon BedrockLSEG 的技术栈包含三个关键层次Instructor 库与 Claude 模型无缝集成负责把 LLM 输出约束为结构化、可校验的响应模型Amazon Bedrock可扩展的基础模型基础设施托管并调用 Anthropic Claude 模型自定义 Python 管道负责数据处理与分析消费 Instructor 产出的结构化结果。整条链路的核心是两阶段分类方法监管新闻先经过初步分类再进入后续分析环节Instructor 在其中确保 LLM 返回可靠、结构化的响应供下游分析直接使用。在仓库中定位这套技术栈这套架构在当前仓库中有完整的一手资料支撑docs/integrations/bedrock.md完整的 Bedrock 接入指南含环境配置、同步/异步示例、支持的模式与模型列表docs/integrations/anthropic.mdAnthropic Claude 的结构化输出教程涵盖工具调用、流式与思考模式instructor/providers/bedrock/client.pyBedrock 兼容层源码from_bedrock从instructor.v2.providers.bedrock.client导入说明当前版本已统一走 v2 实现instructor/providers/包含 bedrock、anthropic 等全部官方 provider 目录。第一步从零搭建 Bedrock 结构化输出客户端安装与环境准备LSEG 使用的核心依赖是 AWS Bedrock Claude 模型。按仓库集成文档安装命令为pip install instructor[bedrock]前提条件拥有可访问 Bedrock 的 AWS 账户及相应权限并配置好 AWS 凭证可通过环境变量或 AWS CLI 两种方式# 方式一环境变量 export AWS_ACCESS_KEY_IDyour_access_key export AWS_SECRET_ACCESS_KEYyour_secret_key export AWS_DEFAULT_REGIONus-east-1 # 方式二AWS CLI aws configure用 from_provider 创建客户端当前版本推荐使用统一的from_provider入口见 docs/concepts/from_provider.md一行代码即可完成客户端创建并自动处理 AWS 凭证探测、区域配置默认us-east-1以及基于模型的模式选择Claude 模型默认使用TOOLS模式import instructor # Auto client with model specification client instructor.from_provider(bedrock/anthropic.claude-sonnet-5)如果已有自定义的 boto3 客户端例如需要指定区域或凭证也可以显式传入import boto3 import instructor bedrock_client boto3.client( bedrock-runtime, region_nameus-west-2, aws_access_key_idyour_key, aws_secret_access_keyyour_secret, ) client instructor.from_provider( bedrock/anthropic.claude-sonnet-5, clientbedrock_client, modeinstructor.Mode.TOOLS, )一个值得注意的兼容性细节Bedrock 集成同时支持 OpenAI 风格与 Bedrock 原生两种消息格式甚至可以在同一次请求中混用模型参数既可以用 OpenAI 风格的model也可以用 Bedrock 原生的modelId两者同时提供时modelId优先。这意味着团队可以把既有的 OpenAI 风格代码平滑迁移到 Bedrock 之上。一个完整的同步分类调用下面是一个可复制运行的入门示例结构与 docs/integrations/bedrock.md 中的 Sync Example 一致import boto3 import instructor from pydantic import BaseModel bedrock_client boto3.client(bedrock-runtime) client instructor.from_provider(bedrock/anthropic.claude-sonnet-5) class User(BaseModel): name: str age: int user client.create( modelIdanthropic.claude-sonnet-5, messages[ {role: user, content: Extract: Jason is 25 years old}, ], response_modelUser, ) print(user) # User(nameJason, age25)第二步用枚举 校验构建零误报分类模型市场监控分类对结果边界的约束极为严格。仓库的 枚举指南 明确建议用 Enum 约束标准化字段并始终提供一个 Other 兜底选项让模型能够表达不确定性从而防止数据错位data misalignment。对照 LSEG 的两阶段分类场景可以设计出如下响应模型——第一阶段判断新闻是否价格敏感from enum import Enum from pydantic import BaseModel, Field, field_validator class NewsSensitivity(str, Enum): PRICE_SENSITIVE price_sensitive NON_SENSITIVE non_sensitive OTHER other class FirstStageClassification(BaseModel): 第一阶段判断监管新闻是否属于价格敏感信息 sensitivity: NewsSensitivity Field( description( Correctly assign one of the predefined sensitivity levels based on whether the news could move the price of a listed security. ) ) tickers: list[str] Field( default_factorylist, descriptionSecurities or issuers mentioned in the article, if any, ) rationale: str Field( descriptionOne-sentence rationale supporting the classification ) field_validator(sensitivity) classmethod def require_sensitivity(cls, v): if v NewsSensitivity.OTHER: raise ValueError( Unable to determine sensitivity; please re-read the article and provide a definite classification. ) return v这里有两个关键设计枚举约束输出边界模型只能从固定取值中选择彻底消除了敏感不敏感价格敏感这类同义表述不一致带来的下游解析难题这正是 examples/classification/simple_prediction.py 中Labels枚举做法的生产化延伸。校验器把模糊回答挡在门外借助field_validator参考 docs/concepts/validation.md一旦模型给出OTHER这类含糊结论就主动触发失败从而驱动 Instructor 的重试机制——这正是实现100% 精确率 / 100% 召回率目标的基础设施保障。底层原理验证失败自动重试当校验器抛出ValueError时Instructor 会把校验错误信息反馈给 LLM并让其重新生成见 docs/concepts/reask_validation.md 与 docs/getting-started.md 的验证小节重试次数可以通过max_retries参数配置。在监管合规场景中建议显式设置合理的重试上限并在最终失败时走人工复核队列避免静默吞掉异常——仓库的错误处理指南提供了完整的异常类型与捕获模式。第三步两阶段分类管线的生产化实现将上述模型组合进两阶段流水线即可还原 LSEG 先分类、再分析的架构思路。第二阶段对已判定为价格敏感的新闻做更细粒度的市场影响分析import instructor from pydantic import BaseModel, Field class MarketImpact(BaseModel): 第二阶段评估价格敏感新闻的市场影响维度 direction: str Field( descriptionExpected price direction: up, down, or neutral ) magnitude: str Field( descriptionExpected impact magnitude: low, medium, or high ) affected_sector: str | None Field( defaultNone, descriptionSector most likely affected, if identifiable, ) key_evidence: list[str] Field( descriptionQuoted facts supporting this assessment ) client instructor.from_provider(bedrock/anthropic.claude-sonnet-5) SENSITIVITY_PROMPT ( You are a market surveillance analyst. Determine whether the following regulatory news is price-sensitive for any listed security. Classify into exactly one of: price_sensitive, non_sensitive, other. ) IMPACT_PROMPT ( The article below was flagged as price-sensitive. Analyze the expected market impact with precise, evidence-based reasoning. ) def analyze_article(article: str) - tuple[FirstStageClassification, MarketImpact | None]: 两阶段分析先判敏感性敏感新闻再评估市场影响 first_stage client.create( response_modelFirstStageClassification, max_retries3, messages[ {role: system, content: SENSITIVITY_PROMPT}, {role: user, content: article}, ], ) if first_stage.sensitivity ! NewsSensitivity.PRICE_SENSITIVE: return first_stage, None impact client.create( response_modelMarketImpact, max_retries3, messages[ {role: system, content: IMPACT_PROMPT}, {role: user, content: article}, ], ) return first_stage, impact生产化调优要点推理参数在低延迟敏感、结果要求保守的金融场景可显式降低温度。Bedrock 集成支持透传inferenceConfiguser client.create( modelIdanthropic.claude-sonnet-5, messages[{role: user, content: Analyze this news}], response_modelFirstStageClassification, inferenceConfig{ maxTokens: 2048, temperature: 0.1, topP: 0.9, stopSequences: [STOP], }, )批处理面对 25 万 篇新闻的规模逐条同步调用显然不够。仓库在 docs/concepts/batch.md 与 docs/concepts/parallel.md 中提供了批量与并行处理方案并配套 examples/batch_classification/含run.py、run_langsmith.py、run-cache.py等可直接参考的分类批处理示例。监控与可观测性生产部署需要记录每次分类的原始完成信息。Instructor 的create_with_completion见 docs/concepts/raw_response.md可以同时返回解析后的 Pydantic 对象与底层 completion便于审计与重放。模式选择Claude 模型下的结构化输出机制在 Bedrock 上运行 Claude 模型时Instructor 会根据模型能力与你的选择在几种核心模式间切换详见 docs/integrations/bedrock.md 的 Supported Modes 一节Mode.TOOLS使用函数调用function calling返回结构化结果Claude 系列模型默认走此模式Mode.JSON_SCHEMA针对支持原生 JSON Schema 约束解码的模型Mode.TOOLS_STRICT针对支持严格工具使用的模型的原生 schema 强制Mode.MD_JSON直接生成 JSON 文本响应作为文本抽取的回退方案。仓库还明确指出旧版模式BEDROCK_TOOLS、BEDROCK_JSON已废弃分别映射到Mode.TOOLS与Mode.MD_JSON而原生结构化输出需要boto3 1.42.42 或更高版本且不同模型支持能力不同选择JSON_SCHEMA或TOOLS_STRICT时应以 AWS 官方结构化输出文档为准。另外docs/integrations/anthropic.md 还展示了 Claude 专属的增强能力在Mode.TOOLS下传入thinking{type: adaptive}可启用自适应扩展思考让模型在输出结构化结果前先进行推理且要求显式设置tool_choice{type: auto}——这对于需要推理链 严格 schema的复杂监管判定场景非常契合。生产化扩展语义校验与人工兜底金融场景仅靠字段级校验枚举、数值范围还不够一些判定标准难以用规则表达。仓库在 docs/concepts/validation.md 中提供了llm_validator语义校验模式用第二个 LLM 调用检查语义层面的合规性examples/validators/moderation.py 展示了用AfterValidator(openai_moderation(...))在结果返回前做内容审核的做法。这类规则校验 语义校验的组合正是把 LSEG 案例中分析师复核环节自动化的可行路径。同时从源码结构看instructor/validation/ 下的llm_validators.py、async_validators.pyInstructor 将校验器与重试循环深度集成任何校验失败都会自动触发把错误反馈给模型并重试的闭环最终仍失败则抛出异常交由业务侧人工介入。这种设计保证了生产系统在追求自动化的同时永远保留可审计、可兜底的出口。总结从 LSEG 案例中可复用的工程模式LSEG 的 Surveillance Guide 案例证明了 Instructor 在准确性、可靠性至高无上的金融监管场景中的生产可行性。从案例与仓库证据中可以提炼出四条可复用的工程经验用枚举收紧输出边界分类、标签类字段一律使用Enum/Literal并提供OTHER兜底从源头消灭自由文本歧义见 docs/concepts/enums.md用校验器驱动自动重试把不可接受的模型回答如模糊分类通过field_validator显式判失败让 Instructor 的重试闭环自动纠正并用max_retries控制成本与延迟见 docs/getting-started.md用统一入口对接多模型from_provider(bedrock/...)一行切换基础设施配合 Bedrock 的 OpenAI 兼容输入格式降低供应商绑定成本见 docs/concepts/from_provider.md用结构化响应支撑批处理与审计25 万 文章规模必须走批量与并行管道并保留原始 completion 供审计追踪见 docs/concepts/batch.md。如果你也想构建自己的生产级结构化输出应用推荐从 getting-started 快速上手 开始并结合 examples/classification/ 的分类示例与 docs/integrations/bedrock.md 的 Bedrock 接入文档落地第一版管线。【免费下载链接】instructorstructured outputs for llms项目地址: https://gitcode.com/GitHub_Trending/in/instructor创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考