Wird geladen

Strukturierte Daten mit Tools

Lektion 308 Min.
Wird geladen

Früher in diesem Kurs haben wir behandelt, wie man mit Nachrichten-Vorbefüllungen (message pre-fills) und Stop-Sequenzen strukturierte Ausgaben von Claude erhält. Dieser Ansatz funktioniert gut und lässt sich leicht einrichten, aber mit Tools können wir zuverlässigere Ausgaben erzielen. Diese Methode ist komplexer in der Umsetzung, bietet aber eine bessere Konsistenz beim Extrahieren strukturierter Daten wie JSON.

Warum beide Ansätze lernen?

Du fragst dich vielleicht, warum wir nicht einfach mit Tools angefangen haben, wenn sie zuverlässiger sind. Die Antwort ist einfach: Tools erfordern deutlich mehr Aufwand und Komplexität bei der Einrichtung. Wenn du beide Techniken zur Verfügung hast, gibt dir das Flexibilität – manchmal möchtest du den schnellen, Prompt-basierten Ansatz, manchmal brauchst du die Zuverlässigkeit, die Tools bieten.

Wie Tool-basierte strukturierte Ausgabe funktioniert

Das Grundkonzept ist unkompliziert: Statt Claude zu bitten, seine Antwort als JSON zu formatieren, erstellst du ein Tool, dessen Eingabeparameter genau der Struktur der Daten entsprechen, die du extrahieren möchtest. Claude „ruft“ dann dieses Tool mit den extrahierten Daten als Argumente auf.

Ein financial_analysis_schema für ein analyze_financial_statement-Tool: erforderliches Integer-Feld „balance“ und Array „key_insights“.

So läuft der Prozess ab:

  1. Schreibe ein JSON-Schema, das die Struktur der gewünschten Daten beschreibt
  2. Erstelle ein Tool mit diesem Schema als Eingabespezifikation
  3. Sende deine Daten und das Tool-Schema an Claude
  4. Zwinge Claude mit dem Parameter toolChoice, das Tool zu verwenden
  5. Extrahiere die strukturierten Daten aus den Argumenten des Tool-Aufrufs

Unser Server sendet Claude einen Prompt, um eine Finanzaufstellung zu analysieren und das Tool financial_analysis aufzurufen, plus dessen Schema.

Der Ablauf sieht so aus: Dein Server sendet einen Prompt, der Claude bittet, Daten zu analysieren und ein bestimmtes Tool aufzurufen. Claude antwortet mit einer Tool-Use-Nachricht, die die extrahierten JSON-Daten enthält. An diesem Punkt nimmst du einfach die Daten und beendest die Konversation – kein Follow-up nötig.

Die Tool-Nutzung steuern

Wenn du Tools für strukturierte Ausgabe verwendest, möchtest du sicherstellen, dass Claude dein Extraktions-Tool auch wirklich benutzt. Der Parameter toolChoice bietet dir drei Optionen:

Notebook-Zelle, die Claude um einen wissenschaftlichen Artikel mit einem Absatz, einem Titel und einem Autorennamen bittet, sowie die lange Textantwort.

  • {"toolChoice": {"auto": {}}} – Das Modell entscheidet, ob es ein Tool benötigt (Standard)
  • {"toolChoice": {"any": {}}} – Das Modell muss ein Tool verwenden, kann aber wählen, welches
  • {"toolChoice": {"tool": {"name": "tool-name"}}} – Das Modell muss das angegebene Tool verwenden

Für strukturierte Ausgabe möchtest du fast immer die dritte Option verwenden, um sicherzustellen, dass Claude dein Extraktions-Tool benutzt.

Praktisches Beispiel

Angenommen, du möchtest den Titel, den Autor und die wichtigsten Themen aus einem Artikel extrahieren. Zuerst würdest du ein Tool-Schema erstellen:

python
article_details_schema = {
    "toolSpec": {
        "name": "article_details",
        "description": "Extracts key information from an article",
        "inputSchema": {
            "json": {
                "type": "object",
                "properties": {
                    "title": {
                        "type": "string",
                        "description": "The title of the article"
                    },
                    "author": {
                        "type": "string", 
                        "description": "The author's name"
                    },
                    "topics": {
                        "type": "array",
                        "items": {"type": "string"},
                        "description": "List of key topics mentioned"
                    }
                },
                "required": ["title", "author", "topics"]
            }
        }
    }
}

Dann würdest du Claude mit deinen Daten aufrufen und es zwingen, das Tool zu verwenden. Unser chat-Helper nimmt den Tool-Namen direkt als tool_choice-Argument entgegen, sodass du das verschachtelte toolChoice-Objekt nicht selbst erstellen musst:

python
messages = []
add_user_message(messages, f"""
Analyze the article below and extract key data. Then call the article_details tool.

<article_text>
{article_text}
</article_text>
""")

result = chat(messages, tools=[article_details_schema], tool_choice="article_details")

Claude antwortet mit einer Tool-Use-Nachricht, die die extrahierten Daten in genau dem von dir angegebenen Format enthält. Die Argumente des Tool-Aufrufs enthalten deine strukturierten JSON-Daten, bereit zur Verwendung in deiner Anwendung.

Wichtige Vorteile

  • Zuverlässiger als Prompt-basierte Extraktion
  • Garantierte Struktur, die deinem Schema entspricht
  • Keine Notwendigkeit für Nachrichten-Vorbefüllungen oder Stop-Sequenzen
  • Eingebaute Validierung durch das Tool-Schema

Der Hauptkompromiss ist die Komplexität – du musst detaillierte Schemas schreiben und mit Tool-Antworten umgehen. Aber wenn du konsistente, zuverlässige strukturierte Ausgaben brauchst, sind Tools der richtige Weg.