Pereiti prie pagrindinio turinio
Lietuvių— Pasirinkite kalbą
Meniu

Apibrėžkite schemas su Pydantic

Paskaita 7 iš 12 Atnaujinta 2026 m. liepos 29 d. Kūrėjas
Šiame puslapyje
  1. Pydantic: individualių struktūrizuotų išvesčių pagrindas Python kalboje
  2. Paprasto modelio apibrėžimas
  3. Tipai, kuriuos naudosite
  4. Įdėtieji modeliai
  5. Modelio nukreipimas naudojant aprašymus
  6. Validavimas gaunamas nemokamai
  7. Svarbiausi punktai

Pydantic: individualių struktūrizuotų išvesčių pagrindas Python kalboje

Pydantic yra populiariausia duomenų validavimo biblioteka Python kalboje. Ji leidžia apibrėžti duomenų modelius su griežtais tipais, o būtent tai Mistral API naudoja individualioms struktūrizuotoms išvestims. Jei dirbi su Python, Pydantic tampa tavo pagrindiniu įrankiu išvesties schemoms aprašyti: tai, ką parašai klasėje, yra tai, ką modelis bus priverstas sugeneruoti.

Geros naujienos dėl diegimo: Pydantic įtraukta kaip Mistral SDK priklausomybė. Jei jau turi įdiegtą mistralai, daugiau nieko daryti nereikia.

pip install mistralai
# Pydantic v2 įtraukiama automatiškai

Greitas versijos patikrinimas padės išvengti netikėtumų, nes validatoriaus sintaksė skiriasi pagrindinėse versijose:

import pydantic
print(pydantic.__version__)  # Būtina 2.x versija

Paprasto modelio apibrėžimas

Pydantic modelis yra klasė, paveldinti iš BaseModel, kurioje kiekvienas atributas yra laukas su aiškiai nurodytu tipu.

from pydantic import BaseModel

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

Šis modelis nurodo Mistral: „Tavo išvestis turi būti JSON objektas su tiksliai šiais 4 laukais, visi – eilučių tipo.“ Jokių papildomų instrukcijų užklausoje (prompt) šiai struktūrai gauti nereikia.

Tipai, kuriuos naudosite

Pydantic palaiko visus standartinius Python tipus, o Mistral juos visus supranta. Šiame modelyje jie sujungti realiame pavyzdyje – analizuojant pagalbos prašymą (ticket) – ir parodoma, kaip jie derinami: pagrindiniai tipai paprastiems laukams, Optional darbuotojui, kuris dar nepriskirtas, Enum prioritetui, kuris gali įgyti tik keturias reikšmes, ir sąrašai žymoms bei susijusiems ID.

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):
    # Pagrindiniai tipai
    title: str
    description: str
    ticket_id: int
    confidence: float
    is_urgent: bool

    # Pasirenkami tipai
    assignee: Optional[str] = None

    # Enum (apribotos reikšmės)
    priority: Priority

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

Štai atitinkama trumpa atmintinė:

TipasReikšmė
streilutė
intsveikasis skaičius
floatdešimtainis skaičius
boolloginė reikšmė (true/false)
list[T]T tipo elementų sąrašas
Optional[T]laukas, kuris gali būti null
Enumreikšmė iš baigtinės aibės

Verta ypatingai paminėti Enum: tai vienintelis būdas garantuoti, kad prioritetas niekada nebus „very urgent“ arba „P1“, priklausomai nuo modelio nuotaikos.

Įdėtieji modeliai

Realaus pasaulio duomenys retai būna plokšti. Kontaktas priklauso įmonei, kuri turi adresą. Pydantic leidžia įdėti modelius vienas į kitą tiek giliai, kiek reikia, o Mistral laikosi šios hierarchijos.

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  # Įdėtasis modelis

class Person(BaseModel):
    first_name: str
    last_name: str
    email: str
    role: str
    company: Company  # Dviejų lygių įdėjimas

Sugeneruotas JSON tiksliai atkuria šią medžio struktūrą:

{
  "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"
    }
  }
}

Tas pats mechanizmas leidžia vienu metu išgauti kelis elementus: modelis apgaubia kito modelio sąrašą, ir vienu kvietimu gauni visą katalogą.

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

Modelio nukreipimas naudojant aprašymus

Lauko pavadinimas nepasakoja visos istorijos. score gali reikšti pažymį iš 10, procentinę dalį arba reikšmę tarp 0 ir 1 – modelis turi spėlioti. Aprašymai pašalina šį dviprasmiškumą: jie įtraukiami į JSON schemą, siunčiamą Mistral, ir veikia kaip instrukcijos kiekvienam laukui atskirai.

from pydantic import BaseModel, Field

class SentimentAnalysis(BaseModel):
    sentiment: str = Field(
        description="Bendras nusiteikimas: 'positive', 'negative' arba 'neutral'"
    )
    score: float = Field(
        description="Pasitikėjimo balas tarp 0.0 ir 1.0"
    )
    keywords: list[str] = Field(
        description="3–5 pagrindiniai raktažodžiai iš teksto"
    )
    summary: str = Field(
        description="Santrauka ne ilgesnė nei vienas sakinys"
    )

Kuo tikslesni šie aprašymai, tuo geresnė išvesties kokybė. Tai yra didžiausią poveikį daranti viso nustatymo dalis: keli gerai parinkti žodžiai dažnai pakeičia visą pastraipą užklausoje.

Field taip pat nustato numatytąsias reikšmes. Kitame pavyzdyje kalba pagal nutylėjimą yra "fr", jei modelis neranda informacijos, žodžių skaičius lieka None, jei jo negalima nustatyti, o žymos pradedamos kaip tuščias sąrašas dėka default_factory.

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

Laukai su numatytosiomis reikšmėmis bus užpildyti modelio, jei jis ras informaciją, arba liks su numatytąja reikšme kitu atveju.

Validavimas gaunamas nemokamai

Ir galiausiai: validavimas yra automatinis. Jei reikšmė neatitinka deklaruoto tipo, Pydantic iškart išmeta ValidationError, nurodydamas tiksliai, kuris laukas kaltas, ir tau nereikia rašyti nė vienos tikrinimo kodo eilutės.

from pydantic import ValidationError

try:
    analysis = SentimentAnalysis(
        sentiment="positive",
        score="not a number",  # Tipo klaida
        keywords=["test"],
        summary="Summary"
    )
except ValidationError as e:
    print(e)
    # 1 validavimo klaida SentimentAnalysis
    # score
    #   Įvestis turi būti galiojantis skaičius [type=float_parsing, ...]

Visas rankinis tikrinimo kodas, rašytas ankstesnėje pamokoje, čia išnyksta, pakeistas modelio deklaracija.

Svarbiausi punktai

  • Pydantic BaseModel yra visų individualių schemų Python kalboje pagrindas
  • Naudokite aiškius tipus: str, int, float, bool, list[T], Optional[T]
  • Įdėtieji modeliai leidžia kurti sudėtingas JSON struktūras
  • Field(description=...) gerina išvesties kokybę nukreipdamas modelį
  • Validavimas yra automatinis – tipo klaidos aptinkamos iškart