Pāriet uz galveno saturu
Latviešu— Izvēlēties valodu
Izvēlne

Definēt shēmas ar Pydantic

Nodarbība 7 no 12 Atjaunota 2026. gada 29. jūlijs Programmētājs
Šajā lapā
  1. Pydantic: Pielāgotu strukturētu izvades datu pamats Python valodā
  2. Vienkārša modeļa definēšana
  3. Tipi, kurus izmantosi
  4. Ligzdotie modeļi
  5. Modeļa vadīšana ar aprakstiem
  6. Validācija ir bezmaksas bonuss
  7. Galvenās atziņas

Pydantic: Pielāgotu strukturētu izvades datu pamats Python valodā

Pydantic ir populārākā datu validācijas bibliotēka Python valodā. Tā ļauj definēt datu modeļus ar stingriem tipiem, kas ir tieši tas, ko Mistral API izmanto pielāgotām strukturētām izvades datu kopām. Ja strādā Python vidē, Pydantic kļūst par tavu galveno rīku izvades shēmu aprakstīšanai: tas, ko uzraksti klasē, ir tas, kam modelim būs jāatbilst.

Labā ziņa par instalēšanu: Pydantic ir iekļauta kā Mistral SDK atkarība. Ja tev jau ir instalēts mistralai, tev nekas cits nav jādara.

pip install mistralai
# Pydantic v2 tiek iekļauta automātiski

Ātra versijas pārbaude novērsīs neparedzētus pārsteigumus, jo validatoru sintakse mainījās starp galvenajām versijām:

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

Vienkārša modeļa definēšana

Pydantic modelis ir klase, kas mantota no BaseModel, kur katrs atribūts ir lauks ar eksplicītu tipu.

from pydantic import BaseModel

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

Šis modelis norāda Mistral: „Tavai izvadei ir jābūt JSON objektam ar tieši šiem 4 laukiem, un visiem tiem ir jābūt virkņu (string) tipam.” Lai iegūtu šo struktūru, papildu instrukcijas uzvednē (prompt) nav nepieciešamas.

Tipi, kurus izmantosi

Pydantic atbalsta visus standarta Python tipus, un Mistral saprot tos visus. Tālāk redzamais modelis apvieno tos reālistiskā scenārijā – atbalsta biļetes analīzē – un parāda, kā tie darbojas kopā: pamata tipi vienkāršiem laukiem, Optional izpildītājam, kurš vēl nav noteikts, Enum prioritātei, kas var pieņemt tikai četras vērtības, un saraksti tagiem un saistītajiem 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):
    # Pamata tipi
    title: str
    description: str
    ticket_id: int
    confidence: float
    is_urgent: bool

    # Neobligāti tipi
    assignee: Optional[str] = None

    # Enumerācijas (ierobežotas vērtības)
    priority: Priority

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

Lūk, atbilstošā ātrā atsauce:

TipsNozīme
strvirkne (string)
intvesels skaitlis
floatdecimālskaitlis
boolloģiskā vērtība (patiess/nepatiess)
list[T]T tipa elementu saraksts
Optional[T]lauks, kas var būt null
Enumvērtība no galīgas kopas

Enumerācijas (Enum) ir pelnījušas īpašu pieminēšanu: tās ir vienīgais veids, kā garantēt, ka prioritāte nekad nebūs "very urgent" vai "P1" atkarībā no modeļa noskaņojuma.

Ligzdotie modeļi

Reāli dati reti ir plakani. Kontaktpersona pieder uzņēmumam, kuram ir adrese. Pydantic ļauj ligzdot modeļus tik dziļi, cik nepieciešams, un Mistral seko šai hierarhijai.

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  # Ligzdots modelis

class Person(BaseModel):
    first_name: str
    last_name: str
    email: str
    role: str
    company: Company  # Divu līmeņu ligzdošana

Ģenerētais JSON precīzi atveido šo koka struktūru:

{
  "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 mehānisms ļauj vienlaikus izgūt vairākus vienumus: modelis aptver cita modeļa sarakstu, un tu vienā zvanā iegūsti pilnu katalogu.

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

Modeļa vadīšana ar aprakstiem

Lauka nosaukums vien nepasaka visu stāstu. score var nozīmēt vērtējumu no 10 ballēm, procentus vai vērtību starp 0 un 1 – modelim tas ir jāmin. Apraksti novērš šo neskaidrību: tie tiek iekļauti JSON shēmā, kas tiek nosūtīta Mistral, un darbojas kā instrukcijas katram laukam atsevišķi.

from pydantic import BaseModel, Field

class SentimentAnalysis(BaseModel):
    sentiment: str = Field(
        description="Kopējā noskaņa: 'positive', 'negative' vai 'neutral'"
    )
    score: float = Field(
        description="Pārliecības vērtējums robežās no 0.0 līdz 1.0"
    )
    keywords: list[str] = Field(
        description="3–5 galvenie atslēgvārdi no teksta"
    )
    summary: str = Field(
        description="Kopsavilkums maksimāli vienā teikumā"
    )

Jo precīzāki ir šie apraksti, jo augstāka ir izvades kvalitāte. Šī ir vissvarīgākā visa iestatījuma daļa: daži labi izvēlēti vārdi bieži vien aizstāj veselu uzvednes (prompt) rindkopu.

Field arī iestata noklusējuma vērtības. Nākamajā piemērā valoda pēc noklusējuma ir "fr", ja modelis neatrod informāciju, vārdu skaits paliek None, ja to nevar noteikt, un tagi sākas kā tukšs saraksts, pateicoties 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 valodas kods")
    word_count: Optional[int] = None
    tags: list[str] = Field(default_factory=list)

Lauki ar noklusējuma vērtībām tiks aizpildīti ar modeļa ģenerētiem datiem, ja tas atradīs informāciju, vai arī saglabās noklusējuma vērtību pretējā gadījumā.

Validācija ir bezmaksas bonuss

Visbeidzot, bet ne mazāk svarīgi: validācija ir automātiska. Ja vērtība neatbilst deklarētajam tipam, Pydantic uzreiz izraisa ValidationError, norādot tieši to lauku, kurā ir kļūda, un tev nav jāraksta neviena pārbaudes koda rinda.

from pydantic import ValidationError

try:
    analysis = SentimentAnalysis(
        sentiment="positive",
        score="not a number",  # Tipa kļūda
        keywords=["test"],
        summary="Summary"
    )
except ValidationError as e:
    print(e)
    # 1 validācijas kļūda priekš SentimentAnalysis
    # score
    #   Ievadei jābūt derīgam skaitlim [type=float_parsing, ...]

Visi manuālie pārbaudes kodi, kas tika rakstīti iepriekšējā nodarbībā, šeit pazūd, tos aizstājot modeļa deklarācija.

Galvenās atziņas

  • Pydantic BaseModel ir visu pielāgoto shēmu pamats Python valodā
  • Izmanto eksplicītus tipus: str, int, float, bool, list[T], Optional[T]
  • Ligzdotie modeļi ļauj veidot sarežģītas JSON struktūras
  • Field(description=...) uzlabo izvades kvalitāti, virzot modeli
  • Validācija ir automātiska – tipa kļūdas tiek noteiktas uzreiz