Määritä skeemat Pydanticilla
Tällä sivulla
Pydantic: Mukautettujen jäsenneltyjen tulosteiden perusta Pythonissa
Pydantic on Pythonin suosituin datan validointikirjasto. Sen avulla voit määrittää datamalleja tiukoilla tyypeillä, mikä on täsmälleen se tapa, jolla Mistral API hyödyntää mukautettuja jäsenneltyjä tulosteita. Jos työskentelet Pythonilla, Pydanticista tulee ensisijainen työkalusi tulosteskeemojen kuvaamiseen: se, mitä kirjoitat luokkaan, rajoittaa mallin tuottaman tulosteen vastaamaan sitä.
Hyviä uutisia asennuksesta: Pydantic sisältyy Mistral SDK:n riippuvuuksiin. Jos sinulla on jo mistralai asennettuna, sinun ei tarvitse tehdä mitään muuta.
pip install mistralai
# Pydantic v2 sisältyy automaattisesti
Nopea versiotarkistus säästää yllätyksiltä, sillä validaattorisyntaksi muuttui pääversioiden välillä:
import pydantic
print(pydantic.__version__) # Vaaditaan versio 2.x
Yksinkertaisen mallin määrittäminen
Pydantic-malli on luokka, joka perii BaseModel-luokan, jossa jokainen attribuutti on kenttä, jolla on eksplisiittinen tyyppi.
from pydantic import BaseModel
class Contact(BaseModel):
name: str
email: str
phone: str
company: str
Tämä malli kertoo Mistralille: “Tulosteesi on oltava JSON-objekti, jossa on täsmälleen nämä 4 kenttää, ja kaikkien on oltava merkkijonoja.” Rakenne saadaan aikaan ilman lisäohjeita kehotteessa.
Käyttämäsi tyypit
Pydantic tukee kaikkia vakio-Python-tyyppejä, ja Mistral ymmärtää ne kaikki. Seuraava malli yhdistää ne realistisessa tapauksessa – tukipyyntöä analysoitaessa – ja osoittaa, miten niitä yhdistellään: perustyypit yksinkertaisiin kenttiin, Optional vielä nimeämättömälle vastuuhenkilölle, Enum prioriteetille, joka voi saada vain neljä arvoa, sekä listat tageille ja liittyville tunnisteille.
from pydantic import BaseModel
from typing import Optional
from enum import Enum
class Priority(str, Enum):
low = "low"
medium = "medium"
high = "high"
critical = "critical"
class TicketAnalysis(BaseModel):
# Perustyypit
title: str
description: str
ticket_id: int
confidence: float
is_urgent: bool
# Valinnaiset tyypit
assignee: Optional[str] = None
# Enumit (rajoitetut arvot)
priority: Priority
# Listat
tags: list[str]
related_ids: list[int]
Tässä vastaava pikaopas:
| Tyyppi | Merkitys |
|---|---|
str | merkkijono |
int | kokonaisluku |
float | desimaaliluku |
bool | totuusarvo (true/false) |
list[T] | listan alkiot, joiden tyyppi on T |
Optional[T] | kenttä, joka voi olla null |
Enum | arvo äärellisestä joukosta |
Enumit ansaitsevat erityismaininnan: ne ovat ainoa tapa taata, ettei prioriteetti ole koskaan "very urgent" tai "P1" mallin mielentilasta riippuen.
Sisäkkäiset mallit
Todellisen maailman data on harvoin litteää. Yhteystieto kuuluu yritykselle, jolla on osoite. Pydanticin avulla voit sisällyttää malleja toisiinsa niin syvälle kuin tarvitaan, ja Mistral noudattaa hierarkiaa.
from pydantic import BaseModel
from typing import Optional
class Address(BaseModel):
street: str
city: str
postal_code: str
country: str
class Company(BaseModel):
name: str
industry: str
address: Address # Sisäkkäinen malli
class Person(BaseModel):
first_name: str
last_name: str
email: str
role: str
company: Company # Kahden tason sisäkkäisyys
Generoitu JSON toistaa tämän puurakenteen täsmälleen:
{
"first_name": "Marie",
"last_name": "Dupont",
"email": "[email protected]",
"role": "Sales Director",
"company": {
"name": "TechVision SAS",
"industry": "Technology",
"address": {
"street": "42 rue de la Paix",
"city": "Paris",
"postal_code": "75002",
"country": "France"
}
}
}
Sama mekanismi poimii useita kohteita kerralla: malli käärii toisen mallin listan, ja saat koko luettelon yhdellä kutsulla.
from pydantic import BaseModel
class Product(BaseModel):
name: str
price: float
category: str
in_stock: bool
class Catalog(BaseModel):
products: list[Product]
total_count: int
Ohjaa mallia kuvauksilla
Kentän nimi ei kerro koko tarinaa. score voi tarkoittaa arvosanaa asteikolla 0–10, prosenttilukua tai arvoa välillä 0–1 – mallin on arvattava. Kuvaukset poistavat tämän epäselvyyden: ne sisällytetään Mistralille lähetettävään JSON-skeemaan ja toimivat kenttäkohtaisina ohjeina.
from pydantic import BaseModel, Field
class SentimentAnalysis(BaseModel):
sentiment: str = Field(
description="Yleinen sävy: 'positive', 'negative' tai 'neutral'"
)
score: float = Field(
description="Luottamusarvo välillä 0.0–1.0"
)
keywords: list[str] = Field(
description="Tekstin 3–5 tärkeintä avainsanaa"
)
summary: str = Field(
description="Yhteenveto enintään yhdellä lauseella"
)
Mitä tarkempia nämä kuvaukset ovat, sitä parempi on tulosteen laatu. Tämä on koko asetelman vaikuttavin osa: muutama hyvin valittu sana korvaa usein kokonaisen kappaleen kehotetta.
Field asettaa myös oletusarvot. Seuraavassa esimerkissä kieli on oletuksena "fr", jos malli ei löydä tietoa, sanamäärä pysyy None:nä, jos sitä ei voida määrittää, ja tagit alkavat tyhjänä listana default_factory-asetuksen ansiosta.
from pydantic import BaseModel, Field
from typing import Optional
class ArticleMetadata(BaseModel):
title: str
author: str
language: str = Field(default="fr", description="ISO 639-1 -kielikoodi")
word_count: Optional[int] = None
tags: list[str] = Field(default_factory=list)
Kentät, joilla on oletusarvot, täytetään mallin löytäessä tiedon; muuten ne säilyttävät oletusarvon.
Validointi tulee kaupan päälle
Viimeisenä mutta ei vähäisimpänä: validointi on automaattista. Jos arvo ei vastaa ilmoitettua tyyppiä, Pydantic nostaa välittömästi ValidationError-poikkeuksen, joka ilmoittaa täsmälleen, mikä kenttä on viallinen, ilman että sinun tarvitsee kirjoittaa riviäkään tarkistuskoodia.
from pydantic import ValidationError
try:
analysis = SentimentAnalysis(
sentiment="positive",
score="not a number", # Tyyppivirhe
keywords=["test"],
summary="Summary"
)
except ValidationError as e:
print(e)
# 1 validation error for SentimentAnalysis
# score
# Input should be a valid number [type=float_parsing, ...]
Kaikki edellisessä oppitunnissa kirjoitettu manuaalinen tarkistuskoodi katoaa tässä, korvautuen mallimäärityksellä.
Keskeiset asiat
- Pydanticin
BaseModelon kaikkien Pythonin mukautettujen skeemojen perusta - Käytä eksplisiittisiä tyyppejä:
str,int,float,bool,list[T],Optional[T] - Sisäkkäiset mallit mahdollistavat monimutkaiset JSON-rakenteet
Field(description=...)parantaa tulosteen laatua ohjaamalla mallia- Validointi on automaattista – tyyppivirheet havaitaan välittömästi