Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Estratégias de Validação e Nova Tentativa

Aula 11 de 12 Atualizada a 2 de novembro de 2026 Programador
Nesta página
  1. Validação: A Última Linha de Defesa Antes da Produção
  2. Incorporação de Regras de Negócio no Esquema
  3. Nova Tentativa com Retroação
  4. Uma Cascata de Planos de Contingência
  5. Corte a Torneira a Tempo
  6. Torne Tudo Visível
  7. Pontos-chave

Validação: A Última Linha de Defesa Antes da Produção

Mesmo com Saídas Estruturadas Personalizadas, a validação continua a ser essencial. O esquema garante a estrutura, não a coerência semântica. Um campo price pode conter -999.0: um número de vírgula flutuante válido que corresponde perfeitamente ao esquema, mas que não faz qualquer sentido para um preço.

A distinção é clara. O Pydantic e o Zod tratam automaticamente da validação estrutural: campos obrigatórios, tipos de campos, restrições de enumeração e estruturas aninhadas. Não precisa de escrever qualquer código para isto. A validação semântica, no entanto, é inteiramente da sua responsabilidade. Isto inclui limites numéricos (um preço superior a zero, uma pontuação entre 0 e 1), consistência entre campos (o total deve ser igual à soma das linhas), formatos de cadeia de caracteres (um e-mail genuinamente válido, uma data corretamente formatada) e lógica de negócio (uma data de vencimento posterior à data da fatura).

Incorporação de Regras de Negócio no Esquema

O Pydantic permite incorporar estas verificações diretamente no modelo, tornando-as inseparáveis da estrutura. @field_validator lida com campos individuais — por exemplo, garantindo que uma quantidade é positiva ou que um preço unitário não é negativo. @model_validator(mode="after") é executado assim que todos os campos são preenchidos, permitindo verificações entre campos, como verificar se o total declarado corresponde à quantidade × preço unitário dentro de um cêntimo.

from pydantic import BaseModel, Field, field_validator, model_validator

class InvoiceLine(BaseModel):
    description: str
    quantity: float
    unit_price: float
    total: float

    @field_validator("quantity")
    @classmethod
    def quantity_positive(cls, v):
        if v <= 0:
            raise ValueError(f"Quantity must be positive, got: {v}")
        return v

    @field_validator("unit_price")
    @classmethod
    def price_non_negative(cls, v):
        if v < 0:
            raise ValueError(f"Unit price cannot be negative: {v}")
        return v

    @model_validator(mode="after")
    def check_total(self):
        expected = round(self.quantity * self.unit_price, 2)
        if abs(self.total - expected) > 0.01:
            raise ValueError(
                f"Inconsistent total: {self.total} != {self.quantity} x {self.unit_price} = {expected}"
            )
        return self

O Zod expressa a mesma lógica utilizando restrições incorporadas como .positive() e .nonnegative() para campos, e .refine() para regras entre objetos aplicadas ao objeto completo.

import { z } from "zod";

const InvoiceLineSchema = z
  .object({
    description: z.string(),
    quantity: z.number().positive("Quantity must be positive"),
    unitPrice: z.number().nonnegative("Price cannot be negative"),
    total: z.number(),
  })
  .refine(
    (data) => Math.abs(data.total - data.quantity * data.unitPrice) < 0.01,
    { message: "Total does not match quantity x unit price" }
  );

Nova Tentativa com Retroação

Quando a validação falha, o padrão mais eficaz é enviar o erro de volta ao modelo para que este possa autocorrigir-se. A função abaixo encadeia três verificações por ordem de importância: resposta completa, objeto não nulo e conformidade com as regras de negócio. Em caso de falha, anexa a resposta defeituosa e a mensagem de erro à conversa, fornecendo ao próximo intento um contexto de diagnóstico preciso. Note a cópia da lista de mensagens no início da função — sem ela, poluiria o histórico de conversas de quem chamou a função.

from mistralai.client import Mistral
from pydantic import BaseModel, ValidationError
import json

def extract_with_retry(
    client: Mistral,
    messages: list,
    schema,
    max_retries: int = 3,
    model: str = "mistral-large-latest"
):
    """Extraction with retry and structured error feedback."""
    conversation = list(messages)  # Copy to avoid modifying the original

    for attempt in range(max_retries):
        try:
            response = client.chat.parse(
                model=model,
                messages=conversation,
                response_format=schema,
                temperature=0,
                max_tokens=2048
            )

            # Check that the response is complete
            if response.choices[0].finish_reason != "stop":
                raise ValueError(
                    f"Incomplete response (finish_reason={response.choices[0].finish_reason})"
                )

            parsed = response.choices[0].message.parsed
            if parsed is None:
                raise ValueError("Parsed response is None")

            # Additional semantic validation
            validate_business_rules(parsed)

            return parsed

        except (ValidationError, ValueError) as e:
            error_msg = str(e)
            print(f"Attempt {attempt + 1}/{max_retries} failed: {error_msg}")

            if attempt < max_retries - 1:
                # Add feedback to context
                raw = response.choices[0].message.content if response else ""
                conversation.append({"role": "assistant", "content": raw})
                conversation.append({
                    "role": "user",
                    "content": f"Your response contains an error: {error_msg}. Please correct it."
                })
            else:
                raise RuntimeError(
                    f"Failed after {max_retries} attempts. Last error: {error_msg}"
                )

Uma Cascata de Planos de Contingência

A nova tentativa não resolve tudo: por vezes, um documento é demasiado atípico para o esquema. Em vez de falhar abruptamente, degrade-se graciosamente. A primeira tentativa utiliza Saídas Estruturadas Personalizadas, a opção mais fiável. Se isso falhar, recorra ao Modo JSON, que é mais permissivo, e depois passe a saída por model_validate() — isto mantém as restrições do esquema sem depender do modelo para as gerar perfeitamente. Como último recurso, a função devolve None, deixando quem a chamou decidir entre o enfileiramento manual ou o abandono.

def extract_with_fallback(client, text, schema, system_prompt):
    """Extraction with fallback cascade."""

    # Attempt 1: Custom Structured Output (best)
    try:
        return extract_with_retry(
            client,
            [
                {"role": "system", "content": system_prompt},
                {"role": "user", "content": text}
            ],
            schema,
            max_retries=2,
            model="mistral-large-latest"
        )
    except RuntimeError:
        print("Custom parse failed, falling back to JSON Mode")

    # Attempt 2: JSON Mode (more flexible)
    try:
        response = client.chat.complete(
            model="mistral-large-latest",
            messages=[
                {"role": "system", "content": system_prompt + "\nReturn valid JSON."},
                {"role": "user", "content": text}
            ],
            response_format={"type": "json_object"},
            temperature=0
        )
        raw = json.loads(response.choices[0].message.content)
        return schema.model_validate(raw)  # Attempt Pydantic validation
    except Exception:
        print("JSON Mode failed, falling back to manual extraction")

    # Attempt 3: Return partial object or error
    return None

Corte a Torneira a Tempo

Num pipeline de alta frequência, uma indisponibilidade da API transforma a nova tentativa num amplificador: cada documento falha três vezes, a sua fatura triplica e a latência dispara. Um disjuntor monitoriza as falhas numa janela deslizante e bloqueia as chamadas assim que um limiar é ultrapassado — cinco falhas em sessenta segundos na configuração aqui apresentada. Um sucesso fecha o circuito e limpa o contador.

from collections import deque
from time import time

class CircuitBreaker:
    def __init__(self, failure_threshold=5, window_seconds=60):
        self.failures = deque()
        self.threshold = failure_threshold
        self.window = window_seconds
        self.is_open = False

    def record_failure(self):
        now = time()
        self.failures.append(now)
        # Clean up errors outside the window
        while self.failures and self.failures[0] < now - self.window:
            self.failures.popleft()
        if len(self.failures) >= self.threshold:
            self.is_open = True

    def record_success(self):
        self.is_open = False
        self.failures.clear()

    def can_proceed(self) -> bool:
        if not self.is_open:
            return True
        # Check if the window has passed
        now = time()
        while self.failures and self.failures[0] < now - self.window:
            self.failures.popleft()
        if len(self.failures) < self.threshold:
            self.is_open = False
            return True
        return False

# Usage
breaker = CircuitBreaker(failure_threshold=5, window_seconds=60)

def safe_extract(client, text, schema):
    if not breaker.can_proceed():
        raise RuntimeError("Circuit open—too many recent errors")
    try:
        result = extract_with_retry(client, [...], schema)
        breaker.record_success()
        return result
    except RuntimeError:
        breaker.record_failure()
        raise

Torne Tudo Visível

Toda esta maquinaria permanece cega sem registos. Registe cada chamada com a sua duração e o esquema envolvido, quer tenha sucesso quer falhe. Estes dados permitem-lhe determinar posteriormente se a degradação provém de um problema do modelo, de um tipo de documento ou de uma alteração no prompt.

import logging
import time

logger = logging.getLogger("structured_output")

def monitored_extract(client, text, schema, **kwargs):
    start = time.time()
    try:
        result = extract_with_retry(client, [...], schema, **kwargs)
        duration = time.time() - start
        logger.info(f"Extraction succeeded in {duration:.2f}s — schema={schema.__name__}")
        return result
    except Exception as e:
        duration = time.time() - start
        logger.error(f"Extraction failed in {duration:.2f}s — schema={schema.__name__} — {e}")
        raise

Pontos-chave

  • A validação estrutural (tipos) é automática; a validação semântica (lógica) é da sua responsabilidade
  • A nova tentativa com retroação é o padrão mais eficaz: envie o erro de volta ao modelo
  • Implemente uma cascata de contingência: Personalizado > Modo JSON > valor padrão
  • Em produção de alta frequência, utilize um disjuntor para prevenir cascatas de erros
  • Registe cada chamada para monitorização e diagnóstico