说实话，大模型这东西有时候挺让人又爱又恨的。爱的是它那满腹经纶，什么dou知道；恨的是它有时候太“自由散漫”，你想要个表格，它给你回一首诗；你想要个JSON，它跟你聊人生哲学。对于咱们搞技术的人来说这种不可控简直就是噩梦。特别是当我们想把AI集成到实际业务里比如Zuo一个记账小助手的时候，这种“随性”是绝对不Neng容忍的。

今天咱们不聊虚的，直接进入“春哥”的实战现场。我们的目标hen明确：打造一个不仅Neng记账，还Neng读懂你喜怒哀乐的AI小秘书。这听起来是不是有点像那个电影里的Her？别想太远，咱们先解决Zui基础的问题——如何让AI乖乖地吐出标准的、结构化的数据，而不是一串不知所云的文本。

在开始之前，我得先给大伙儿打个预防针。接下来的内容里会有大段大段的代码块。Ru果你只是想kankan热闹，可Neng会觉得有点枯燥。但Ru果你真的想搞定AI开发，这些代码就是你的武器。咱们主要讲的是demo的撰写思路，也就是怎么把脑子里的想法变成逻辑严密的代码。至于那些基础的知识点，Ru果还有点模糊，建议回头去kankan上一篇的铺垫，这里就不在那儿炒冷饭了。

对了这次实战的demo代码我dou整理好了不想手敲的朋友Ke以去仓库里捞：。好了废话不多说咱们直接切入正题。

为什么结构化输出是AI落地的“拦路虎”？

咱们这次要解决的核心问题，其实就是“格式化输出”。你想想，用户随口说一句：“今天花了两百块吃顿火锅，爽！”作为人类，我们一听就明白：金额200，分类餐饮，情绪开心。但是AI呢？它可Neng会回你：“火锅确实好吃，不过要注意辣度哦。”

这当然没错，但Ru果你后面接的是一个数据库，或者是一个财务报表系统，这句“废话”就会导致程序直接报错。所以我们需要一种机制，Neng够强制AI把它的理解，翻译成计算机Neng读懂的格式——比如JSON对象。而且，这个JSON对象里的字段类型、取值范围，dou必须严格受控。这就是我们今天要通关的“副本”。

第一步：用Pydantic给AI立个“规矩”

要让AI听话， 得我们自己知道想要什么。在Python的世界里处理数据验证和结构化，pydantic简直就是神器。它不仅Neng帮我们定义数据模型，还Neng顺便Zuo数据校验，简直是一举两得。

你得把工具装好：

pip install pydantic

装好之后咱们就开始定义我们的“记账模型”。这一步非常关键，就像是在给AI画地为牢。我们得告诉它：我要什么这个东西长什么样，不Neng是什么样。

来kankan代码怎么写：

# 引入 Pydantic 的核心组件
from pydantic import BaseModel, Field
# ==========================================
# 第一步：定义字段类型和描述
# ==========================================
class AccountItem:
    # 金额必须是数字，万一用户没说默认给个0，防止程序崩
    amount: float = Field
    # 分类不Neng乱填，必须在这个列表里选，不然AI就会瞎编
    category: str = Field
    # 具体买了啥，这个得让AI自己从句子里抠出来
    product: str = Field
    # 情绪分析，这是让AI显得“人性化”的关键
    sentiment: str = Field
    # 🔥 这里是点睛之笔：AI的反馈
    ai_comment: str = Field

kan到没？这个AccountItem类，就是我们心目中完美数据的模样。每一个字段后面dou跟了一个description，这可不是写给程序员kan的注释，而是写给AIkan的“说明书”。AI就是通过这些描述，来理解它该提取什么信息。特别是那个ai_comment，这可是咱们这次实战的彩蛋，让冷冰冰的记账多了一点温度。

第二步：把“人话”翻译成AINeng懂的“天书”

定义好了Python类，AI还kan不懂。大模型只认JSON Schema。不过别担心，Pydantic早就帮我们想好了后路，一键转换即可。

# 把 Pydantic 类转换成 AI Neng读懂的 JSON Schema 描述
# ensure_ascii=False 是为了让中文正常显示，不变成 \uXXXX 这种乱码
schema_str = json.dumps, ensure_ascii=False)

这一步就像是把我们的“家规”翻译成了法律条文。有了这个schema_str，AI就知道它的边界在哪里了。Ru果它输出的JSON里category字段填了个“旅游”，那就不符合我们定义的Schema，属于违规操作。

第三步：构建System Prompt，给AI戴上“紧箍咒”

上一节咱们聊过System Prompt是权重Zui高的指令，相当于老板给员工下的死命令。在这里我们要把刚才生成的Schema塞进去，并且明确告诉AI它的角色定位。

# 构建 System Prompt
system_prompt = f"""
    你是一个不仅会记账，还hen懂心理学的贴心助手。
    请分析用户的输入，提取关键信息，并给出情感反馈。
    1. 根据常识自动推断分类。
    2. 必须严格按照以下JSON Schema格式输出：
    {schema_str}
    """

这里有个小细节，我在Prompt里特意强调了“不仅会记账，还hen懂心理学”。这其实是在给AIZuo“人设”铺垫，让它geng有可Neng在ai_comment字段里给出有趣的回复，而不是干巴巴的“Yi记录”。这种微调，有时候比改代码还管用。

第四步：建立连接，让DeepSeek动起来

准备工作douZuo完了现在就是见证奇迹的时刻。我们需要创建一个客户端，把我们的指令和数据发给大模型。这里我用的是DeepSeek的API，毕竟性价比高，速度也快，用来Zuo这种实战演练再合适不过了。

先初始化一下环境：

from dotenv import load_dotenv
from openai import OpenAI
import os
import json
# 加载环境变量，把API Key藏好，别直接硬编码在代码里
load_dotenv
# 创建client
client = OpenAI(
    api_key=os.getenv, 
    base_url=os.getenv
)

接下来就是Zui核心的调用环节了。这里有个坑，大家一定要注意。Ru果不加那个response_format参数，AIhen有可Neng会给你返回一段带Markdown标记的文本，或者干脆跟你聊天。加上它，就是强制AI进入“JSON模式”，这可是保证数据稳定性的关键。

# 获取用户输入，咱们模拟一下交互
user_input = input.strip
# 调用大模型
response = client.chat.completions.create(
    model="deepseek-chat", 
    messages=,
    # 强制模型进入 JSON 模式，防止它胡乱说话
    response_format={"type": "json_object"} 
)
# 获取结果字符串
json_str = response.choices.message.content
# 将 JSON 字符串倒回 Pydantic 对象
try:
    data = json.loads
    result = AccountItem
    # 打印结果，kankan效果
    print
    print
    print
    print
    print
    print
except Exception as e:
    print
    print

kan到AccountItem这一行了吗？这不仅仅是解包，geng是一次严格的“安检”。Ru果AI偷懒，或者理解错了返回的JSON里少了个字段，或者类型不对，Pydantic会直接抛出异常。这就在代码层面帮我们挡住了脏数据，比我们在代码里写一堆if-else去判断要优雅得多。

运行一下kankan效果

代码写完了咱们来跑一下试试。在终端里输入：

python .\lesson_04\lesson_04_structure.py

假设我输入：“今天花了一千五买了个显卡，虽然肉疼但是好开心啊！”

AI可Neng会给你返回这样的JSON：

类别: 购物

金额: 1500.0

内容: 显卡

情绪: 肉疼但开心

AI吐槽: “显卡可是男人的浪漫，虽然钱包在滴血，但快乐是无价的，尽情享受你的游戏时光吧！”

你kan，这不仅仅是记账，这简直就是情感陪护啊！这就是结构化输出的魅力，它把AI的Neng力框定在了我们需要的范围内，同时又保留了它生成内容的灵活性。

这只是开始，离真正的Agent还有多远？

Ru果你把这段代码封装到一个Web Server里配上个简单的前端界面恭喜你，你Yi经拥有了一个初具雏形的AI记账应用。用户在前端说话，后端通过API拿到结构化数据，直接存进数据库，整个流程丝般顺滑。

但是先别急着开香槟庆祝。咱们现在搞定的，其实只是Zui简单的一次性对话。用户说一句，AI回一句，这叫“Chat”，还不叫“Agent”。真正的智Neng体，它得有记忆，得Neng处理复杂的任务，得Neng在你忘了填金额的时候主动追问，而不是自作主张地填个0。

而且，大模型还有一些致命的弱点，比如有时候会一本正经地胡说八道，或者在处理超长文本时记性不好。这些问题，光靠Pydantic是解决不了的。

所以这章咱们虽然通关了“结构化输出”这个副本，但前面还有geng大的BOSS在等着我们。下节课，咱们就要开始着手解决这些问题，探索如何让AI拥有记忆，如何让它变得geng聪明、geng靠谱。

技术这条路就是这样，解决了一个问题，总会冒出三个新问题。但正是这种挑战，才让编程变得有趣，不是吗？敬请期待下一章的内容，咱们继续深挖AI Agent的奥秘！

---