加载中
在使用AI工具时,为结构化数据提取编写详细的JSON模式(schema)可能是一个真正令人头疼的问题。有一种巧妙的变通方法,可以让您直接在提示中指定所需的数据结构,而不必创建复杂的模式。
灵活模式方法
与其为每个数据提取任务都编写详细的模式,您可以创建一个名为to_json的通用工具,它接受任何对象结构。关键在于将输入模式设置为允许附加属性,然后在提示本身中指定您的确切要求。

这种方法消除了一个主要的痛点——不断地编写和管理庞大的JSON模式。其结果不会像专用模式那样出色,但您仍然能以更少的设置工作获得高质量的JSON输出。
工作原理
这个过程很简单:
- 创建一个接受任何对象结构的单一灵活模式
- 在提示中,准确指定您想要的数据结构
- 告诉Claude调用
to_json工具,并使用您指定的结构 - 使用
tool_choice强制Claude使用您的工具
设置提示
在编写提示时,要非常明确地说明您想要的结构。下面是一个如何构建请求的示例:
Analyze the article below and extract key data. Then call the to_json tool.
<article_text>
{result["text"]}
</article_text>
When you call to_json, pass in the following structure:
{{
"title": str # title of the article,
"author": str # author of the article,
"topics": List[str] # List of topics mentioned in the article
}}进行API调用
该API调用使用灵活的模式并强制使用工具:
python
flexible_result = chat(messages, tools=[to_json_schema], tool_choice="to_json")轻松更改结构
当您需要修改数据结构时,真正的优势就显现出来了。您无需重写整个模式,只需更新提示即可。想添加一个表示主题数量的字段?只需加一行:
python
"num_topics": int # Number of topics mentioned就是这样——无需修改模式。
何时使用每种方法
灵活模式方法非常适合以下场景:
- 快速原型设计和实验
- 简单的数据提取任务
- 经常需要更改数据要求的情况
对于以下场景,请坚持使用专用模式:
- 关键的生产环境数据提取任务
- 复杂的嵌套数据结构
- 当您需要尽可能最高的准确性时
灵活方法以10%的设置工作量为您提供了约90%的质量,使其非常适合大多数需要结构化数据提取而又不想承受模式管理开销的使用场景。