Instructor：Python 用于 LLM 结构化输出的最佳库

在人工智能飞速发展的今天，如何从大型语言模型（LLM）中提取可靠、结构化的数据，仍然是一个不小的挑战。这时，Instructor 便应运而生，作为一款领先的开源 Python 库，它专为简化这项复杂任务而设计。凭借每月超过 300 万次的下载量和活跃的社区支持，Instructor 已成为开发者们从 AI 模型中获取类型安全、经过验证且能自动重试的输出的首选解决方案。

什么是 Instructor？

Instructor 构建于强大的数据验证库 Pydantic 之上，为与 LLM 交互提供了一个直观且健壮的框架。它让开发者能够利用 Pydantic 模型精确定义所需数据的结构。这不仅确保了 LLM 输出的一致性，也使其符合预定义的模式，从而大大减少错误并提高数据质量。

主要特性：

• 结构化输出：通过定义 Pydantic 模型，精准指定从 LLM 获取的数据格式。
• 自动重试：内置自动重试逻辑，当验证失败时无需手动处理错误。
• 数据验证：利用 Pydantic 强大的验证能力，保障 LLM 响应的质量和完整性。
• 流式支持：实时处理部分响应和列表，提升应用程序的响应速度。
• 多提供商兼容：无缝支持超过 15 种 LLM 提供商，包括 OpenAI、Anthropic、Google (Gemini)、Mistral、Cohere、Ollama、DeepSeek 等，提供统一的 API 接口。
• 类型安全：享受完整的 IDE 支持，包括适当的类型推断和自动补全，大大提高开发效率。
• 开源支持：可使用 Ollama、llama-cpp-python 或 vLLM 等框架在本地运行任何开源模型。

快速入门：仅需三行代码提取结构化数据

使用 Instructor 入门异常简单。安装后，您几乎可以立即提取结构化数据：

import instructor
from pydantic import BaseModel
from openai import OpenAI

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

client = instructor.from_openai(OpenAI())
person = client.chat.completions.create(
    model="gpt-4o-mini"