Pydantic BaseModel en dybden
På denne side
Pydantic: Den ideelle partner
Pydantic er standardbiblioteket i Python til validering af data. Sammen med Groks strukturerede output bliver det et uundværligt værktøj: Du definerer dine skemaer som Python-klasser, og modellen udfylder disse klasser automatisk.
Pydantic-grundlag til strukturerede output
Du opretter en Pydantic-model ved at arve fra BaseModel. Hver attribut med en typeannotation bliver til et felt i JSON-skemaet:
from pydantic import BaseModel
class Produit(BaseModel):
nom: str
prix: float
en_stock: bool
categorie: str
Denne model genererer automatisk det tilsvarende JSON-skema. Du behøver ikke skrive noget andet.
Understøttede Python-typer
Her er mappingen mellem Python-typer og JSON Schema-typer:
class ExempleComplet(BaseModel):
# Skalarer
texte: str # → "type": "string"
nombre: float # → "type": "number"
entier: int # → "type": "number"
actif: bool # → "type": "boolean"
# Valgfrie felter
note: str | None # → anyOf string/null
# Samlinger
tags: list[str] # → array of strings
scores: list[float] # → array of numbers
# Enumerationer
niveau: str # + enum in Field
Næstede modeller
Den virkelige styrke ved Pydantic ligger i at næste modeller:
class Adresse(BaseModel):
rue: str
ville: str
code_postal: str
pays: str
class Competence(BaseModel):
nom: str
niveau: str # "debutant", "intermediaire", "expert"
annees: int
class Candidat(BaseModel):
prenom: str
nom: str
email: str
adresse: Adresse
competences: list[Competence]
disponible: bool
pretention_salariale: float | None
Når du sender Candidat som response_format, vil modellen udfylde hele hierarkiet: den komplette adresse, hver kompetance med sine detaljer og så videre.
Enums med Pydantic
Brug Pythons Literal til at gennemtvinge foruddefinerede værdier:
from typing import Literal
class Ticket(BaseModel):
titre: str
description: str
priorite: Literal["basse", "moyenne", "haute", "critique"]
statut: Literal["ouvert", "en_cours", "resolu", "ferme"]
type: Literal["bug", "feature", "documentation"]
Modellen kan kun returnere de listede værdier. Enhver anden værdi er umulig.
Brug af parse()
response, ticket = client.chat.parse(
model="grok-4.20-0309-reasoning",
messages=[{
"role": "user",
"content": "The login button does not work on mobile"
}],
response_format=Ticket
)
print(ticket.priorite) # "haute"
print(ticket.type) # "bug"
print(ticket.statut) # "ouvert"
Brug af response_format
response = client.chat.create(
model="grok-4.20-0309-reasoning",
messages=[{
"role": "user",
"content": "The login button does not work on mobile"
}],
response_format=Ticket
)
ticket = Ticket.model_validate_json(
response.choices[0].message.content
)
Standardværdier og dokumentation
Du kan tilføje beskrivelser til dine felter med Field. Disse beskrivelser hjælper modellen med bedre at forstå, hvad du forventer:
from pydantic import BaseModel, Field
class AnalyseSentiment(BaseModel):
texte_original: str = Field(
description="The text analyzed as is"
)
sentiment: Literal["positif", "negatif", "neutre"] = Field(
description="The dominant sentiment of the text"
)
score_confiance: float = Field(
description="Confidence score between 0.0 and 1.0"
)
mots_cles: list[str] = Field(
description="The 3 to 5 most significant keywords"
)
Beskrivelserne i Field inkluderes i det JSON-skema, der sendes til modellen. De forbedrer kvaliteten af svarene.
Vigtige pointer
- Pydantic konverterer automatisk dine Python-klasser til JSON-skemaer
- Næstede modeller giver dig mulighed for at strukturere komplekse data
Literalerstatterenumfor at gennemtvinge foruddefinerede værdierstr | Nonegør et felt valgfrit (kan værenull)Field(description=...)forbedrer kvaliteten af modellens svar- Fungerer med
parse()(automatisk) ogresponse_format(manuel)