AI生成Json结构化数据的几种方案

AI生成Json结构化数据的几种方案

在AI功能开发中，我们通常希望AI生成的数据是结构化的，不仅仅是简单的一层字段，也可以包含嵌套关系。

由于AI的注意力机制，AI可以在一次生成中根据上下文补全层级关系。比如我们想让AI生成一个虚拟人物，并附加一些相关属性，如下：

json复制代码{
    "name": "John",
    "age": 30,
    "city": "New York",
    "pets": [
        {
            "name": "Buddy",
            "species": "dog"
        },
        {
            "name": "Simba",
            "species": "cat"
        }
    ]
}

本文将探讨使用AI生成这种结构化数据的几种方案，以及每种方案的优缺点。

早期版本

OpenAI早期并未提供Json结构化输出的选项，并且现在还有很多大模型不支持Json输出，我们只能通过Prompt来让大模型输出Json，例如：

Prompt：生成一个虚拟人物，返回为Json数据，包含name, age, city, pets，其中pets数组包含name和species

ChatGPT：好的，我将为您生成一个虚拟人物的JSON数据。请注意，由于这是一个虚拟人物，所以所有的信息都是随机生成的。 { "name": "Emma Smith", "age": 28, "city": "New York", "pets": [ { "name": "Charlie", "species": "Dog" }, { "name": "Luna", "species": "Cat" } ] } 这是一个名为Emma Smith的28岁的虚拟人物，居住在纽约。她有两只宠物，一只名叫Charlie的狗和一只名叫Luna的猫。她还有三个朋友，他们分别是James Johnson（30岁）、Olivia Davis（26岁）和William Thompson（29岁）。请注意，这只是一个虚拟人物示例，所有的信息都是随机生成的，并不代表真实的人物。

生成的结果还可以，但是提取出Json字符串还是比较麻烦的，甚至有些时候Json会包含一些错误的引号、逗号、括号，这种方式稳定性很差，非常不推荐。

Json模式

Json模式可以让AI只返回合法的Json字符串，并节省了输出Token。

目前OpenAI等大模型已经支持Json结构化输出，只需要在请求中加上response_format": {"type": "json_object"}，然后在提示词中说明要生成的Json结构，例如：

Prompt：生成一个虚拟人物，返回为Json数据，包含name, age, city, pets，其中pets数组包含name和species

ChatGPT： { "name": "Emma Smith", "age": 28, "city": "New York", "pets": [ { "name": "Charlie", "species": "Dog" }, { "name": "Luna", "species": "Cat" } ] }

这种模式保证了结果百分百可用，后续的方案都会基于Json模式展开。

指定Json结构

如果我们想让pets.species只能是猫/狗，我们就得在Prompt中描述这个限制。如果想创建更复杂的嵌套结构，自然语言描述起来会越来越费劲，大模型理解和生成的效果也会下降。

OpenAI的文档也说：JSON 模式不保证输出匹配任何特定模式，仅保证其有效且解析无错误。

那么如何指定复杂的Json结构并让大模型严格遵守呢？

Json Schema

Json Schema不仅能约定Json的结构，还能约定数据类型、文本规则等，也是大模型支持比较好的方式。

Prompt：生成一个虚拟人物，返回为Json数据，并严格遵循这个Json Schema： json { "type": "object", "properties": { "name": { "type": "string", "description": "三个字的名字" }, "age": { "type": "number", "default": "", "minimum": 18, "maximum": 30 }, "city": { "type": "string", "description": "必须是中国城市" }, "pets": { "type": "array", "items": { "type": "object", "properties": { "name": { "type": "string" }, "species": { "type": "string", "enum": [ "猫", "狗" ] } } } } } }

这种方式的优点在于，不仅可以通过枚举、范围、正则来约定输出的结果，还可以通过description来加强AI的理解。

缺点主要有两个，一是Json Schema体积大，放在Prompt中很容易超过输入Token；二是Json Schema对非开发人员不太友好，这里推荐一个Json Schema 在线编辑器，可以很方便的设计Json Schema。

TypeScript（推荐）

在创新比赛中，我们发现可以使用TypeScript语法来约束DSL，AI的理解能力和生成效果都非常稳定。

改为TypeScript后的Prompt就变得非常精简：

Prompt：生成一个虚拟人物，返回为Json数据，并严格遵循这个interface：

ts复制代码export interface Person {
    name: string; // "三个字的名字"
    age: number; // 18-30
    city?: string; // "必须是中国城市"
    pets: {
        name: string;
        species: '猫' | '狗';
    }[];
}

目前为止，最推荐的方式就是TypeScript约束Prompt + Json模式生成，输出稳定，并且方便调优Prompt。

Json结构的问题

Json结构化数据虽然方便解析，但也存在几个严重的问题：

  1. 占用空间大，消耗Token多

    一个合法的Json包含大量的引号、逗号、引号，但是这些符号只是起分割作用，对AI并没有什么用，耗费了大量的Token。

  2. 无法支持流式解析

    试想一下一个Json字符串逐字打印出来，在打印完毕之前这个Json都是不合法的，这就无法动态解析，从而无法动态渲染前端组件，用户必须等待长时间的Loading才能看到最终的效果。

使用Yaml结构（推荐）

在我们的实验中，目前最好的解决方案是输出为Yaml结构，不仅拥有更小的体积，同时支持流式解析。

只需要关闭Json模式，并让AI返回Yaml即可，如下：

Prompt：生成一个虚拟人物，返回为Yaml数据，并严格遵循这个interface：

ts复制代码export interface Person {
    name: string; // "三个字的名字"
    age: number; // 18-30
    city?: string; // "必须是中国城市"
    pets: {
        name: string;
        species: '猫' | '狗';
    }[];
}

ChatGPT：以下是一个符合接口要求的虚拟人物的YAML数据：

yaml复制代码name: "赵雷"
age: 25
city: "北京"
pets:
  - name: "旺财"
    species: "狗"
  - name: "咪咪"
    species: "猫"

在这个例子中，Yaml输出比Json输出少了64个字符，体积减少了40%，在复杂结构中，可以省下更多的Token；并且支持流式解析，转换为增量可用的Json，以支持前端逐步渲染出每一部分的信息。

这种模式效果很好，只需要付出一些微小的代价 – 仍需要开发者从代码块中提取出Yaml文本。

总结

个人目前认为最好的方式依然是TypeScript约束Prompt + Yaml格式输出，适用于90%的结构化输出场景。 如果不缺钱，使用接口提供的Json Mode也是一种很好的选择。

希望这篇文章能给大家带来帮助，也欢迎一起讨论探索更好的方式。