El código necesita entradas predecibles. La salida estructurada convierte el texto libre de un modelo en datos en los que su programa puede confiar.
Cómo funciona
Hay tres niveles de control:
| Método | Lo que obtiene |
|---|---|
| Pedirlo en el prompt | Normalmente JSON, a veces con texto extra o campos faltantes |
| JSON mode | JSON válido, con cualquier forma |
| Salida estructurada con un esquema | JSON que coincide con su esquema |
En el formato de OpenAI, JSON mode es response_format: {"type": "json_object"}. La salida estructurada pasa un esquema:
"response_format": {
"type": "json_schema",
"json_schema": {
"name": "invoice",
"strict": true,
"schema": {
"type": "object",
"properties": {
"vendor": { "type": "string" },
"total": { "type": "number" }
},
"required": ["vendor", "total"],
"additionalProperties": false
}
}
}
La referencia de OpenAI dice que el tipo json_schema “ensures the model will match your supplied JSON schema” (traducción: garantiza que el modelo coincida con el JSON Schema que usted proporcionó). Muchos proveedores lo logran con decodificación restringida: limitan qué tokens puede producir el modelo en cada paso, de modo que no se pueda generar una salida que rompa el esquema.
Por qué importa
- Menos errores de procesamiento. Los flujos de extracción, los clasificadores y los agentes pueden leer los campos directamente.
- Prompts más simples. El esquema reemplaza las instrucciones largas de formato.
- No es una garantía total. La guía de OpenAI dice que su app aún debe manejar rechazos, respuestas incompletas y errores. Una respuesta cortada por
max_tokenses JSON roto, diga lo que diga el esquema.
El soporte varía entre las APIs compatibles con OpenAI. Algunas aceptan solo json_schema, otras solo json_object y otras ignoran el campo. Verifíquelo antes de depender de él.
En BroadNet Inference
La documentación de BroadNet incluye salida estructurada para GLM 5.3 y Qwen3.8 27B. La documentación no nombra el parámetro de la solicitud, así que pruebe response_format con su modelo y mantenga, en cualquier caso, un parser de JSON con manejo de errores. El validador de salida JSON de LLM muestra dónde se rompe una respuesta y la verifica contra su esquema. Ambos modelos razonan primero, así que deje margen en max_tokens para el razonamiento más el JSON.
La salida estructurada funciona bien con modelos de visión. La guía de facturas en árabe envía una imagen y pide los campos como JSON. Para acciones en lugar de respuestas, use tool calling.
Errores comunes
- Olvidar
additionalProperties: false, o no incluir todos los campos enrequired, al usar el modo estricto. - No revisar
finish_reasonantes de procesar el JSON.