Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Δομημένη Έξοδος: Εγγυημένο JSON

Μάθημα 9 / 22 Ενημερώθηκε 29 Ιουλίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Δομημένη Έξοδος: Εγγυημένο JSON
  2. Το πρόβλημα που λύνει
  3. Pydantic αντί για χειροκίνητη συγγραφή JSON Schema
  4. Δύο συνηθισμένες περιπτώσεις χρήσης
  5. Τι απαιτεί η αυστηρή λειτουργία (strict mode)
  6. Βασικά σημεία

Δομημένη Έξοδος: Εγγυημένο JSON

Η Δομημένη Έξοδος (Structured Output) αποτελεί ένα από τα πιο ισχυρά χαρακτηριστικά του Responses API. Αντί να ελπίζετε ότι το μοντέλο θα επιστρέψει έγκυρο JSON, το εγγυάστε παρέχοντας ένα σχήμα (schema). Το μοντέλο περιορίζεται δομικά ώστε να το ακολουθεί. Αυτό μετατρέπει ένα γλωσσικό μοντέλο από μια δημιουργική μηχανή παραγωγής κειμένου σε ένα αξιόπιστο στοιχείο ενός αυτοματοποιημένου σωλήνα επεξεργασίας.

Το πρόβλημα που λύνει

Το αίτημα για JSON μέσω του prompt λειτουργεί τις περισσότερες φορές, γεγονός που καθιστά ακριβώς αυτή την προσέγγιση επικίνδυνη. Μία φορά στις εκατό, το μοντέλο προσθέτει μια εισαγωγική πρόταση στην αρχή της απάντησης, περικλείει τα πάντα σε ένα μπλοκ κώδικα Markdown ή μετονομάζει ένα πεδίο—και η συνάρτηση json.loads() σας ρίχνει μια εξαίρεση σε περιβάλλον παραγωγής, σε ένα αίτημα που δεν μπορείτε να αναπαράγετε.

from openai import OpenAI
client = OpenAI()

# Χωρίς δομή — το μοντέλο μπορεί να επιστρέψει οποιαδήποτε μορφή
response = client.responses.create(
    model="gpt-5.6-terra",
    input="Give me info about Paris in JSON."
)
print(response.output_text)
# Απρόβλεπτο αποτέλεσμα:
# Μερικές φορές έγκυρο JSON, μερικές φορές κείμενο που περιέχει JSON,
# μερικές φορές μια απροσδόκητη μορφή...

Η παράμετρος text αλλάζει τη φύση της εγγύησης. Δηλώνετε μια μορφή json_schema μαζί με το αναμενόμενο σχήμα και η έξοδος συμμορφώνεται με αυτό: η αποσειριοποίηση γίνεται μια ασφαλής λειτουργία.

response = client.responses.create(
    model="gpt-5.6-terra",
    input="Give me information about Paris.",
    text={
        "format": {
            "type": "json_schema",
            "name": "city_info",
            "strict": True,
            "schema": {
                "type": "object",
                "properties": {
                    "name": {"type": "string"},
                    "country": {"type": "string"},
                    "population": {"type": "integer"},
                    "official_language": {"type": "string"},
                    "landmarks": {
                        "type": "array",
                        "items": {"type": "string"}
                    }
                },
                "required": ["name", "country", "population", "official_language", "landmarks"],
                "additionalProperties": False
            }
        }
    }
)

import json
data = json.loads(response.output_text)
print(f"City: {data['name']}")
print(f"Population: {data['population']:,}")
print(f"Landmarks: {', '.join(data['landmarks'])}")

# Αποτέλεσμα ΕΓΓΥΗΜΕΝΑ έγκυρο JSON:
# City: Paris
# Population: 2,161,000
# Landmarks: Eiffel Tower, Louvre, Notre-Dame, Arc de Triomphe, Sacré-Cœur

Pydantic αντί για χειροκίνητη συγγραφή JSON Schema

Η χειροκίνητη συγγραφή σχημάτων γίνεται γρήγορα κουραστική και επιρρεπής σε τυπογραφικά λάθη. Το Pydantic σάς επιτρέπει να τα περιγράφετε ως κλάσεις Python, να παράγετε το JSON Schema με τη μέθοδο model_json_schema() και στη συνέχεια να επικυρώνετε και να τυποποιείτε την απάντηση με τη μέθοδο model_validate_json(). Στο τέλος της αλυσίδας, λαμβάνετε ένα πλήρες αντικείμενο Python με αυτόματη συμπλήρωση από τον επεξεργαστή κώδικα, αντί για ένα ανώνυμο λεξικό.

from pydantic import BaseModel
from typing import Optional
import json

class Product(BaseModel):
    name: str
    price: float
    category: str
    in_stock: bool
    description: Optional[str] = None

response = client.responses.create(
    model="gpt-5.6-terra",
    input="Describe a high-end gaming laptop.",
    text={
        "format": {
            "type": "json_schema",
            "name": "product",
            "strict": True,
            "schema": Product.model_json_schema()
        }
    }
)

# Ανάλυση και επικύρωση με Pydantic
product = Product.model_validate_json(response.output_text)
print(f"Product: {product.name}")
print(f"Price: {product.price} EUR")
print(f"In stock: {'Yes' if product.in_stock else 'No'}")

# Αποτέλεσμα:
# Product: ASUS ROG Strix G18
# Price: 2499.99 EUR
# In stock: Yes

Τίποτα δεν σας περιορίζει σε επίπεδες δομές. Συνθέτοντας κλάσεις, περιγράφετε ένθετα αντικείμενα και λίστες αντικειμένων, κάτι που θα χρειαστείτε μόλις δημιουργήσετε ένα ρεαλιστικό προφίλ πελάτη: μια εταιρεία περιέχει επαφές και κάθε επαφή έχει μια διεύθυνση.

from pydantic import BaseModel

class Address(BaseModel):
    street: str
    city: str
    postal_code: str
    country: str

class Contact(BaseModel):
    last_name: str
    first_name: str
    email: str
    phone: str
    address: Address

class Company(BaseModel):
    name: str
    sector: str
    employees: int
    contacts: list[Contact]

response = client.responses.create(
    model="gpt-5.6-terra",
    input="Generate a fictional company profile in the tech sector "
          "with 2 contacts.",
    text={
        "format": {
            "type": "json_schema",
            "name": "company",
            "strict": True,
            "schema": Company.model_json_schema()
        }
    }
)

company = Company.model_validate_json(response.output_text)
print(f"Company: {company.name} ({company.sector})")
for c in company.contacts:
    print(f"  - {c.first_name} {c.last_name}: {c.email}")

Δύο συνηθισμένες περιπτώσεις χρήσης

Η πρώτη είναι η εξαγωγή: η μετατροπή γραπτού κειμένου σε μια usable εγγραφή. Μια ανακοίνωση συνεδρίου γραμμένη σε φυσική γλώσσα μετατρέπεται σε μια γραμμή βάσης δεδομένων με τίτλο, ημερομηνία, τοποθεσία και αριθμό συμμετεχόντων—χωρίς κανονικές εκφράσεις και χωρίς να «σπάει» κάθε φορά που αλλάζει η διατύπωση.

class Event(BaseModel):
    title: str
    date: str
    location: str
    attendees: int

text = """
The PyCon France 2026 conference will be held on November 15 and 16
at the Palais des Congrès in Lyon. More than 800 Python developers
are expected for this edition.
"""

response = client.responses.create(
    model="gpt-5.6-terra",
    input=f"Extract the information from this event:\n{text}",
    text={
        "format": {
            "type": "json_schema",
            "name": "event",
            "strict": True,
            "schema": Event.model_json_schema()
        }
    }
)

evt = Event.model_validate_json(response.output_text)
print(f"{evt.title} - {evt.date} at {evt.location} ({evt.attendees} attendees)")
# Αποτέλεσμα: PyCon France 2026 - November 15-16, 2026 at Lyon (800 attendees)

Η δεύτερη είναι η ταξινόμηση. Δηλώνοντας μια απαρίθμηση (enumeration), περιορίζετε το μοντέλο σε ένα κλειστό λεξιλόγιο: δεν μπορεί να απαντήσει «μάλλον θετικό» ή «θετικό» όταν ο κώδικάς σας αναμένει positive. Αυτή είναι η διαφορά μεταξύ μιας τιμής που μπορείτε να χρησιμοποιήσετε απευθείας και μιας τιμής που πρέπει να κανονικοποιήσετε εκ των υστέρων.

from enum import Enum

class Sentiment(str, Enum):
    positive = "positive"
    negative = "negative"
    neutral = "neutral"

class Analysis(BaseModel):
    sentiment: Sentiment
    confidence: float
    keywords: list[str]

response = client.responses.create(
    model="gpt-5.6-terra",
    input="Analyze this comment: 'Great service, fast delivery!'",
    text={
        "format": {
            "type": "json_schema",
            "name": "sentiment_analysis",
            "strict": True,
            "schema": Analysis.model_json_schema()
        }
    }
)

analysis = Analysis.model_validate_json(response.output_text)
print(f"Sentiment: {analysis.sentiment.value} ({analysis.confidence:.0%})")
# Αποτέλεσμα: Sentiment: positive (95%)

Τι απαιτεί η αυστηρή λειτουργία (strict mode)

Η εγγύηση συνοδεύεται από μια αντάλλαγμα: όταν strict: True, το σχήμα πρέπει να τηρεί ένα συγκεκριμένο υποσύνολο του JSON Schema. Αυτοί οι περιορισμοί είναι η κύρια αιτία σφαλμάτων 400 για τους αρχάριους, οπότε είναι καλύτερο να τους γνωρίζετε πριν τους συναντήσετε:

  • Όλες οι ιδιότητες πρέπει να αναφέρονται στο required
  • Το additionalProperties πρέπει να είναι False
  • Υποστηριζόμενοι τύποι: string, number, integer, boolean, array, object, null
  • Όχι oneOf ή anyOf με μικτούς τύπους
  • Χρησιμοποιήστε Optional[str], το οποίο μεταφράζεται σε {"anyOf": [{"type": "string"}, {"type": "null"}]}

Ο κανόνας σχετικά με το required συχνά εκπλήσσει τους χρήστες: ένα προαιρετικό πεδίο δεν εκφράζεται αφαιρώντας το από τη λίστα, αλλά επιτρέποντας την τιμή null, ακριβώς όπως παράγει το Optional[str] στην πλευρά του Pydantic.

Βασικά σημεία

  • Η Δομημένη Έξοδος εγγυάται ότι η απάντηση τηρεί το σχήμα JSON σας
  • Χρησιμοποιήστε text={"format": {"type": "json_schema", ...}} στο Responses API
  • Το Pydantic είναι το ιδανικό εργαλείο για τον ορισμό και την επικύρωση σχημάτων
  • Ενεργοποιήστε το strict: True για εγγυημένη συμμόρφωση με το σχήμα
  • Ιδανικό για εξαγωγή δεδομένων, ταξινόμηση και δομημένη παραγωγή