Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Sémák definiálása Pydantic segítségével

7. lecke 12 közül Frissítve 2026. július 29. Fejlesztő
Ezen az oldalon
  1. Pydantic: Az egyéni strukturált kimenetek alapja Pythonban
  2. Egy egyszerű modell definiálása
  3. Használandó típusok
  4. Beágyazott modellek
  5. A modell irányítása leírásokkal
  6. A validálás ingyen jön
  7. Főbb megállapítások

Pydantic: Az egyéni strukturált kimenetek alapja Pythonban

A Pydantic a legnépszerűbb adatvalidáló könyvtár Pythonban. Lehetővé teszi szigorú típusokkal rendelkező adatmodellek definiálását, ami pontosan az, amit a Mistral API az egyéni strukturált kimenetekhez használ. Ha Pythonban dolgozol, a Pydantic lesz az elsődleges eszközöd a kimeneti sémák leírására: amit egy osztályban megírsz, ahhoz lesz kényszerítve a modell a kimenet előállításakor.

Jó hír a telepítéssel kapcsolatban: a Pydantic a Mistral SDK függőségeként szerepel. Ha már telepítve van a mistralai, semmi mást nem kell tenned.

pip install mistralai
# A Pydantic v2 automatikusan included

Egy gyors verzióellenőrzés elkerüli a meglepetéseket, mivel a validátor szintaxisa a főverziók között megváltozott:

import pydantic
print(pydantic.__version__)  # 2.x szükséges

Egy egyszerű modell definiálása

Egy Pydantic modell egy osztály, amely a BaseModel-ből örököl, ahol minden attribútum egy explicit típussal rendelkező mező.

from pydantic import BaseModel

class Contact(BaseModel):
    name: str
    email: str
    phone: str
    company: str

Ez a modell azt mondja a Mistralnak: „A kimenetednek egy JSON objektumnak kell lennie pontosan ezzel a 4 mezővel, mind string típusúként.“ Nem szükségesek további utasítások a promptban ehhez a struktúrához.

Használandó típusok

A Pydantic támogatja az összes szabványos Python típust, és a Mistral mindegyiket érti. Az alábbi modell egy valós esetet hoz össze – egy támogatási jegy elemzését –, és bemutatja, hogyan kombinálódnak ezek: egyszerű típusok az egyszerű mezőkhöz, Optional egy még ki nem osztott felelőshöz, Enum egy prioritáshoz, amely csak négy értéket vehet fel, valamint listák a címkékhez és kapcsolódó azonosítókhoz.

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):
    # Egyszerű típusok
    title: str
    description: str
    ticket_id: int
    confidence: float
    is_urgent: bool

    # Opcionális típusok
    assignee: Optional[str] = None

    # Enumok (korlátozott értékek)
    priority: Priority

    # Listák
    tags: list[str]
    related_ids: list[int]

Íme a megfelelő csalólap:

TípusJelentés
strkarakterlánc
integész szám
floattizedes szám
boollogikai érték (igaz/hamis)
list[T]T típusú elemek listája
Optional[T]mező, amely lehet null
Enumérték egy véges halmazból

Az enumok külön említést érdemelnek: ez az egyetlen módja annak, hogy garantáljuk: a prioritás sosem lesz "very urgent" vagy "P1" a modell hangulatától függően.

Beágyazott modellek

A valós adatok ritkán laposak. Egy kapcsolattartó egy céghez tartozik, amelynek van címe. A Pydantic lehetővé teszi a modellek tetszőleges mélységű beágyazását, és a Mistral követi ezt a hierarchiát.

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  # Beágyazott modell

class Person(BaseModel):
    first_name: str
    last_name: str
    email: str
    role: str
    company: Company  # Két szintű beágyazás

A generált JSON pontosan ezt a fastruktúrát reprodukálja:

{
  "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"
    }
  }
}

Ugyanez a mechanizmus több elem egyszeri kinyerésére is szolgál: egy modell beburkolja egy másik modell listáját, és egyetlen hívással lekérdezed a teljes katalógust.

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

A modell irányítása leírásokkal

Egy mezőnév nem mond el mindent. A score jelenthet egy 10-es skálán elért osztályzatot, egy százalékot vagy egy 0 és 1 közötti értéket – a modellnek kell találgatnia. A leírások megszüntetik ezt a bizonytalanságot: bekerülnek a Mistralnak küldött JSON sémába, és mezőszintű utasításként működnek.

from pydantic import BaseModel, Field

class SentimentAnalysis(BaseModel):
    sentiment: str = Field(
        description="Általános hangulat: 'positive', 'negative' vagy 'neutral'"
    )
    score: float = Field(
        description="Bizalmi score 0.0 és 1.0 között"
    )
    keywords: list[str] = Field(
        description="A szöveg 3-5 fő kulcsszava"
    )
    summary: str = Field(
        description="Összefoglaló maximum egy mondatban"
    )

Minél pontosabbak ezek a leírások, annál jobb a kimenet minősége. Ez a teljes beállítás legnagyobb hatású része: néhány jól megválasztott szó gyakran helyettesít egy egész bekezdésnyi promptot.

A Field alapértelmezett értékeket is beállít. A következő példában a nyelv alapértelmezetten "fr", ha a modell nem találja az információt, a szavak száma None marad, ha nem határozható meg, és a címkék üres listával indulnak a default_factory благодаря.

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 nyelvi kód")
    word_count: Optional[int] = None
    tags: list[str] = Field(default_factory=list)

Az alapértelmezett értékkel rendelkező mezőket a modell kitölti, ha megtalálja az információt, egyébként pedig megtartja az alapértelmezett értéket.

A validálás ingyen jön

Végül, de nem utolsósorban: a validálás automatikus. Ha egy érték nem egyezik a deklarált típussal, a Pydantic azonnal egy ValidationError kivételt dob, amely pontosan jelzi, melyik mező a hibás, anélkül, hogy egyetlen ellenőrző kódsort is írnál.

from pydantic import ValidationError

try:
    analysis = SentimentAnalysis(
        sentiment="positive",
        score="not a number",  # Típushiba
        keywords=["test"],
        summary="Summary"
    )
except ValidationError as e:
    print(e)
    # 1 validálási hiba a SentimentAnalysis esetén
    # score
    #   A bemenetnek érvényes számnak kell lennie [type=float_parsing, ...]

Az előző leckében írt összes manuális ellenőrző kód itt eltűnik, helyét a modelldeklaráció veszi át.

Főbb megállapítások

  • A Pydantic BaseModel az összes Pythonbeli egyéni séma alapja
  • Használj explicit típusokat: str, int, float, bool, list[T], Optional[T]
  • A beágyazott modellek lehetővé teszik a komplex JSON struktúrákat
  • A Field(description=...) javítja a kimenet minőségét a modell irányításával
  • A validálás automatikus – a típus hibákat azonnal észleli a rendszer