新闻详情

新闻详情

首页 / 资讯中心 / 详情

AI Agent输出不听话?Google Antigravity SDK结构化输出(Pydantic Schema)强制类型响应完整教程

发布时间:2026/11/19 12:12:23来源:尧图网络
AI Agent输出不听话?Google Antigravity SDK结构化输出(Pydantic Schema)强制类型响应完整教程
AI Agent输出不听话Google Antigravity SDK结构化输出Pydantic Schema强制类型响应完整教程【免费下载链接】antigravity-sdk-pythonA Python library for building AI agents that leverage the full power of Google Antigravity.项目地址: https://gitcode.com/gh_mirrors/an/antigravity-sdk-python做 AI Agent 开发的朋友都踩过这个坑模型返回的是一大段自然语言你要用正则硬抠出日期、人名、数字稍微换个措辞解析就崩。Google Antigravity SDK的结构化输出功能可以彻底解决这个问题——通过 Pydantic Schema 定义字段与类型SDK 会让模型强制输出严格匹配的 JSON拿到手就是类型安全的字典直接喂给数据库、API 或下游工作流。本文带你 3 步掌握这个能力。一、为什么 AI Agent 的文本输出不听话默认情况下Agent 的回复是一段自由文本。如果你的下游程序需要从中提取结构化数据通常会这样裸奔用正则表达式去匹配截止日期[:]?\s*(\S)—— 换个写法就失效让模型请以 JSON 格式输出 —— 模型可能夹带解释性文字、多余逗号json.loads一炸整个流程中断。结构化输出的核心思路不要请求模型输出 JSON而是约束它——在会话配置中声明response_schema模型在推理时就会感知到这个 Schema最终输出被钉死在字段名、类型、必填项上。二、三步上手用 Pydantic 定义 Schema 强制类型响应第 1 步安装 SDKpip install google-antigravity export GEMINI_API_KEYyour_api_key_hereSDK 本身依赖pydantic2.0安装后即可使用见 pyproject.toml 的依赖声明。第 2 步用 Pydantic 模型描述我要什么数据import pydantic class ActionItem(pydantic.BaseModel): assignee: str # 负责人 task: str # 任务 deadline: str # 截止日期 class MeetingSummary(pydantic.BaseModel): action_items: list[ActionItem]只写类型不写解析逻辑。str、int、float、list、dict、嵌套模型都可以Pydantic 负责描述形状SDK 负责传达给模型。第 3 步配置 Agent 并读取强类型结果from google.antigravity import Agent, LocalAgentConfig config LocalAgentConfig(response_schemaMeetingSummary) async with Agent(config) as agent: response await agent.chat(从这段会议记录中提取行动项...) data await response.structured_output()response.structured_output()返回已解析的字典结构与 Schema 完全一致解析失败时返回None——记得加个判空。该方法的实现在 types.py它从对话的最后一步FINISH中提取结构化负载底层由 conversation.py 的get_last_structured_output支撑。⚡ 关键记忆点配置用response_schema取结果用structured_output()一写一读。三、完整实战从非结构化会议记录提取行动项仓库提供了一个可直接运行的完整示例structured_output.py它的玩法很贴近真实业务注册一个自定义工具fetch_unstructured_meeting_notes返回一段杂乱的自然语言会议记录Alice 说周一前更新测试、Bob 说明天跑 E2E 基准…Agent 配置时同时声明tools[...]和response_schemaMeetingSummaryAgent 调用工具拿到原始文本后自动蒸馏成强类型的MeetingSummary对象程序遍历data[action_items]每个行动项严格带有assignee/task/deadline三个字段直接入库即可。python structured_output.py配套的讲解文档见 structured_output.md快速上手索引在 examples/getting_started/README.md。四、response_schema 支持哪些写法response_schema的定义位于 connection.pySDK 的校验逻辑connection.py#L121-L138明确支持三种格式格式示例适用场景Pydantic 模型类response_schemaMeetingSummary✅ 首选。自动转为 JSON Schema类型即文档字典dict{type: object, properties: {...}}不想引入模型类时手写 JSON SchemaJSON 字符串{type: object}从配置文件/远端加载的 Schema非法 JSON 会直接报错传其他类型比如一个整数会在配置阶段就抛出ValueError属于快速失败不会出现运行到一半才发现格式不对的尴尬。五、避坑指南新手最常踩的 3 个坑 ️1. 忘记判空。structured_output()在解析失败或模型未产出结构化负载时返回None直接data[action_items]会抛TypeError。示例代码中的处理值得抄作业data await response.structured_output() if not data: print(Fallback 到纯文本:, await response.text())2. Schema 设计得太贪心。字段越多、嵌套越深模型满足 Schema 的难度越高。建议必填字段用具体类型str、float允许缺省的字段标| None None列表元素尽量扁平。3. 把它当万能文本提取器。结构化输出最适合程序化消费的场景——写数据库、订日历、喂微服务、填充工单。如果只是给人看的回答纯文本反而更自然。判断标准一句话下游是代码还是人六、总结概念作用response_schema在LocalAgentConfig中声明输出 SchemaPydantic 类 / dict / JSON 字符串response.structured_output()获取解析后的强类型字典失败返回NonePydantic 模型类型即约束告别正则与脆弱的json.loads一句话收尾把请输出 JSON的口头请求升级成 Schema 层面的强制约束——这就是 Google Antigravity SDK 结构化输出给你的确定性。去跑一遍 structured_output.py你会发现下游解析代码几乎可以少写一半。【免费下载链接】antigravity-sdk-pythonA Python library for building AI agents that leverage the full power of Google Antigravity.项目地址: https://gitcode.com/gh_mirrors/an/antigravity-sdk-python创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/20 0:44:51

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/19 15:17:14

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/19 20:26:12

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/19 15:16:22

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/19 18:03:31

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/20 0:44:55

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉