· AI Engineer World's Fair 2024
Pydantic — всё, что вам нужно
Pydantic is STILL all you need
Ответы LLM стоит получать как Pydantic-модели с валидаторами, а не парсить строку через json.loads.
- Валидаторы с повтором — ошибка валидации возвращается модели в промпте, и по словам спикера одного повтора обычно хватает для OpenAI и Anthropic. Проверки пишутся обычным Python-кодом, например сверка суммы позиций чека с итоговой суммой.
- Проверка ссылок в ответе — регулярное выражение достаёт URL из ответа, HTTP-запрос проверяет, что страница отвечает кодом 200, и выдуманные ссылки отсеиваются.
- Поиск как структура — модель
Searchс полями query, датами, limit и source позволяет LLM выбирать источник. По словам спикера, сложный RAG строится из двух моделей и двух функций, а при нескольких запросах они уходят параллельно. - Библиотека и провайдеры —
instructorесть для Python, TypeScript, Ruby, Go, Elixir и Rust, работает с Anthropic, Cohere, Gemini, Groq, Ollama и LlamaCPP, пока модель поддерживает function calling.
Кому полезно: тем, кто извлекает данные из документов или чеков и строит RAG на LLM и хочет получать предсказуемую структуру вместо строки.
Статья по теме
Главы
Ещё доклады: Jason Liu
Все 4 доклада →Чему мы научились за год разработки с LLM
Charles Frye, Eugene Yan, Jason Liu, Hamel Husain, Dr Bryan Bischof, Shreya Shankar
AI Engineer World's Fair 2024
Как анализировать данные: что искать и как измерять
AI Engineer World's Fair 2025
Полный воркшоп: создаём условия для успеха
AI Engineer World's Fair 2026
Похожие доклады
Pydantic — всё, что вам нужно
AI Engineer Summit 2023
Тот же спикер: Jason Liu
Скрытые затраты на создание собственного RAG-стека
AI Engineer Summit 2025
Близко по содержанию
MCP — всё, что нужно
AI Engineer World's Fair 2025
Близко по содержанию
Структурирование неструктурированных данных: продвинутый разбор документов для AI-workflows
AI Engineer World's Fair 2026
Близко по содержанию

