567-labs/instructor

项目概览

该项目解决了从不同 LLM 获取结构化数据时的模式创建、验证与 API 差异问题，通过统一的接口支持多提供商与多语言实现，值得开发者关注。

项目类型

数据处理 · 提示词工程

应用场景

编程开发

部署方式

查看项目说明

License

MIT

适合谁

• 需要从多种 LLM 提取结构化数据并依赖 Pydantic 进行类型验证的开发者
• 希望通过统一接口在多个 LLM 提供商之间切换的开发者

核心能力

• 将自然语言文本提取为类型化的结构化数据，输出为 Pydantic 模型。
• 提供统一接口，使同一套代码可配合不同的 LLM 提供商使用。
• 当验证失败时，自动将错误信息回传给 LLM 并进行重试。
• 在生成过程中逐步传输部分对象。
• 自动提取和处理复杂、嵌套的数据结构。
• 提供 Python、TypeScript、Ruby、Go、Elixir 和 Rust 的实现。

限制与风险

• 项目并非为复杂代理运行而设计。

如何开始

• 使用 pip、uv 或 poetry 安装 instructor，随后定义一个 Pydantic 模型并从文本中提取数据即可完成首次使用。

核验依据

• GitHub 项目简介: structured outputs for llms
• README: Built on Pydantic for validation, type safety, and IDE support.
• README: Getting structured data from LLMs is hard. You need to: 1. Write complex JSON schemas 2. Handle validation errors 3. Retry failed extractions 4. Parse unstructured responses 5. De…
• README: Instructor handles all of this with one simple interface:
• README: No JSON parsing, no error handling, no retries. Just define a model and get structured data.

内容核验时间：