Премини към основното съдържание
Български— Изберете език
Меню

Стратегии за валидиране и повторни опити

Урок 11 от 12 Обновен 2 ноември 2026 г. Програмист
На тази страница
  1. Валидиране: Последната линия на защита преди продукцията
  2. Вграждане на бизнес правила в схемата
  3. Повторен опит с обратна връзка
  4. Каскада от резервни планове
  5. Спрете крана навреме
  6. Направете го видимо
  7. Ключови изводи

Валидиране: Последната линия на защита преди продукцията

Дори при използване на персонализирани структурирани изходи, валидирането остава от съществено значение. Схемата гарантира структурата, но не и семантичната съгласуваност. Полето price може да съдържа -999.0: валиден тип float, който идеално отговаря на схемата, но няма никакъв смисъл за цена.

Разликата е ясна. Pydantic и Zod обработват структурното валидиране автоматично: задължителни полета, типове полета, ограничения за изброими стойности (enum) и вложени структури. Не е необходимо да пишете никакъв код за това. Семантичното валидиране обаче е изцяло Ваша отговорност. Това включва числови граници (цена, по-голяма от нула, резултат между 0 и 1), съгласуваност между полетата (общата сума трябва да е равна на сбора на редовете), формати на низове (наистина валиден имейл, правилно форматирана дата) и бизнес логика (срок на падеж, по-късен от датата на фактурата).

Вграждане на бизнес правила в схемата

Pydantic Ви позволява да вградите тези проверки директно в модела, правейки ги неразделна част от структурата. @field_validator обработва отделни полета – например, гарантиране, че количеството е положително или единичната цена не е отрицателна. @model_validator(mode="after") се изпълнява веднъж след попълването на всички полета, позволявайки проверки между полетата, като например verifiesране дали посочената обща сума съвпада с количеството × единична цена в рамките на един цент.

from pydantic import BaseModel, Field, field_validator, model_validator

class InvoiceLine(BaseModel):
    description: str
    quantity: float
    unit_price: float
    total: float

    @field_validator("quantity")
    @classmethod
    def quantity_positive(cls, v):
        if v <= 0:
            raise ValueError(f"Quantity must be positive, got: {v}")
        return v

    @field_validator("unit_price")
    @classmethod
    def price_non_negative(cls, v):
        if v < 0:
            raise ValueError(f"Unit price cannot be negative: {v}")
        return v

    @model_validator(mode="after")
    def check_total(self):
        expected = round(self.quantity * self.unit_price, 2)
        if abs(self.total - expected) > 0.01:
            raise ValueError(
                f"Inconsistent total: {self.total} != {self.quantity} x {self.unit_price} = {expected}"
            )
        return self

Zod изразява същата логика, използвайки вградени ограничения като .positive() и .nonnegative() за полетата, и .refine() за правила между обекти, приложими към целия обект.

import { z } from "zod";

const InvoiceLineSchema = z
  .object({
    description: z.string(),
    quantity: z.number().positive("Quantity must be positive"),
    unitPrice: z.number().nonnegative("Price cannot be negative"),
    total: z.number(),
  })
  .refine(
    (data) => Math.abs(data.total - data.quantity * data.unitPrice) < 0.01,
    { message: "Total does not match quantity x unit price" }
  );

Повторен опит с обратна връзка

Когато валидирането се провали, най-ефективният шаблон е да изпратите грешката обратно към модела, за да може той да се коригира сам. Функцията по-долу свързва три проверки в ред на важност: пълен отговор, непразен обект и спазване на бизнес правилата. При неуспех, тя добавя грешния отговор и съобщението за грешка към разговора, предоставяйки на следващия опит точен диагностичен контекст. Обърнете внимание на копирането на списъка със съобщения в началото на функцията – без него бихте замърсили историята на разговора на извикващия код.

from mistralai.client import Mistral
from pydantic import BaseModel, ValidationError
import json

def extract_with_retry(
    client: Mistral,
    messages: list,
    schema,
    max_retries: int = 3,
    model: str = "mistral-large-latest"
):
    """Extraction with retry and structured error feedback."""
    conversation = list(messages)  # Copy to avoid modifying the original

    for attempt in range(max_retries):
        try:
            response = client.chat.parse(
                model=model,
                messages=conversation,
                response_format=schema,
                temperature=0,
                max_tokens=2048
            )

            # Check that the response is complete
            if response.choices[0].finish_reason != "stop":
                raise ValueError(
                    f"Incomplete response (finish_reason={response.choices[0].finish_reason})"
                )

            parsed = response.choices[0].message.parsed
            if parsed is None:
                raise ValueError("Parsed response is None")

            # Additional semantic validation
            validate_business_rules(parsed)

            return parsed

        except (ValidationError, ValueError) as e:
            error_msg = str(e)
            print(f"Attempt {attempt + 1}/{max_retries} failed: {error_msg}")

            if attempt < max_retries - 1:
                # Add feedback to context
                raw = response.choices[0].message.content if response else ""
                conversation.append({"role": "assistant", "content": raw})
                conversation.append({
                    "role": "user",
                    "content": f"Your response contains an error: {error_msg}. Please correct it."
                })
            else:
                raise RuntimeError(
                    f"Failed after {max_retries} attempts. Last error: {error_msg}"
                )

Каскада от резервни планове

Повторният опит не решава всичко: понякога един документ е твърде нетипичен за схемата. Вместо да се провалите рязко, деградирайте постепенно. Първият опит използва персонализирани структурирани изходи – най-надеждната опция. Ако това се провали, преминете към JSON Mode, който е по-гъвкав, и след това предайте изхода през model_validate() – това запазва ограниченията на схемата, без да разчита на модела да ги генерира перфектно. Като последна мярка, функцията връща None, оставяйки извикващия код да реши между ръчно поставяне в опашка или изоставяне на задачата.

def extract_with_fallback(client, text, schema, system_prompt):
    """Extraction with fallback cascade."""

    # Attempt 1: Custom Structured Output (best)
    try:
        return extract_with_retry(
            client,
            [
                {"role": "system", "content": system_prompt},
                {"role": "user", "content": text}
            ],
            schema,
            max_retries=2,
            model="mistral-large-latest"
        )
    except RuntimeError:
        print("Custom parse failed, falling back to JSON Mode")

    # Attempt 2: JSON Mode (more flexible)
    try:
        response = client.chat.complete(
            model="mistral-large-latest",
            messages=[
                {"role": "system", "content": system_prompt + "\nReturn valid JSON."},
                {"role": "user", "content": text}
            ],
            response_format={"type": "json_object"},
            temperature=0
        )
        raw = json.loads(response.choices[0].message.content)
        return schema.model_validate(raw)  # Attempt Pydantic validation
    except Exception:
        print("JSON Mode failed, falling back to manual extraction")

    # Attempt 3: Return partial object or error
    return None

Спрете крана навреме

Във високочестотен конвейер прекъсването на API превръща повторния опит в усилвател: всеки документ се проваля три пъти, сметката Ви се утроява, а латентността скача. Circuit breaker (прекъсвач на веригата) следи грешките в плъзгащ се прозорец и блокира обажданията, след като се премине праг – пет грешки за шестдесет секунди в показаната тук конфигурация. Успехът затваря веригата и изчиства брояча.

from collections import deque
from time import time

class CircuitBreaker:
    def __init__(self, failure_threshold=5, window_seconds=60):
        self.failures = deque()
        self.threshold = failure_threshold
        self.window = window_seconds
        self.is_open = False

    def record_failure(self):
        now = time()
        self.failures.append(now)
        # Clean up errors outside the window
        while self.failures and self.failures[0] < now - self.window:
            self.failures.popleft()
        if len(self.failures) >= self.threshold:
            self.is_open = True

    def record_success(self):
        self.is_open = False
        self.failures.clear()

    def can_proceed(self) -> bool:
        if not self.is_open:
            return True
        # Check if the window has passed
        now = time()
        while self.failures and self.failures[0] < now - self.window:
            self.failures.popleft()
        if len(self.failures) < self.threshold:
            self.is_open = False
            return True
        return False

# Usage
breaker = CircuitBreaker(failure_threshold=5, window_seconds=60)

def safe_extract(client, text, schema):
    if not breaker.can_proceed():
        raise RuntimeError("Circuit open—too many recent errors")
    try:
        result = extract_with_retry(client, [...], schema)
        breaker.record_success()
        return result
    except RuntimeError:
        breaker.record_failure()
        raise

Направете го видимо

Цялата тази механика остава сляпа без следи. Записвайте в дневника (log) всяко обаждане с неговата продължителност и участващата схема, независимо дали е успешно или не. Тези данни Ви позволяват по-късно да определите дали деградацията произтича от проблем с модела, тип документ или промяна в подканата (prompt).

import logging
import time

logger = logging.getLogger("structured_output")

def monitored_extract(client, text, schema, **kwargs):
    start = time.time()
    try:
        result = extract_with_retry(client, [...], schema, **kwargs)
        duration = time.time() - start
        logger.info(f"Extraction succeeded in {duration:.2f}s — schema={schema.__name__}")
        return result
    except Exception as e:
        duration = time.time() - start
        logger.error(f"Extraction failed in {duration:.2f}s — schema={schema.__name__} — {e}")
        raise

Ключови изводи

  • Структурното валидиране (типове) е автоматично; семантичното валидиране (логика) е Ваша отговорност
  • Повторният опит с обратна връзка е най-ефективният шаблон: изпратете грешката обратно към модела
  • Внедрете каскада от резервни варианти: Персонализиран > JSON Mode > стойност по подразбиране
  • Във високопроизводителна продукционна среда използвайте circuit breaker, за да предотвратите каскади от грешки
  • Записвайте в дневника всяко обаждане за мониторинг и диагностика