---
title: "Instructor で OpenAI 互換の base_url を使う（Pydantic） | BroadRouter"
description: "Instructor で BroadNet Inference から Pydantic オブジェクトを抽出します。from_openai または from_provider でカスタム base_url を指定し、適切な Mode を選びます。"
url: https://broadrouter.com/ja/guides/instructor-structured-output/
lang: ja
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

このページは英語の原文を AI の支援を受けて翻訳したものです。 [英語の原文を読む](https://broadrouter.com/guides/instructor-structured-output/) (2026-11-16 更新).

# BroadNet Inference で Instructor を使って構造化出力を得る

更新日 2026-11-16

base\_url を https://inference.broadnet.ai/v1 にし、BroadNet のキーを設定した OpenAI クライアントを instructor.from\_openai でラップします。次に、response\_model に Pydantic クラス、model に broadnet/glm-5.3 か broadnet/qwen3.8-27b を指定して chat.completions.create を呼びます。BroadNet がツールと構造化出力を掲載しているのはこの 2 モデルです。デフォルトは Mode.TOOLS で、Mode.JSON\_SCHEMA も使えます。

Instructor は、LLM の返答を検証済みの Pydantic オブジェクトに変換し、検証に失敗したときは再試行もできる Python ライブラリです。OpenAI クライアントにパッチを当てる仕組みで、ドキュメントでは `base_url` による OpenAI 互換サーバーへの接続も説明されています。BroadNet Inference は `https://inference.broadnet.ai/v1` で chat completions を提供し、GLM 5.3 と Qwen3.8 27B にツールと構造化出力を掲載しています。BroadRouter は BroadNet 自身のサイトです。この記事はバージョン 1.17.0 時点の Instructor のドキュメントに従っています。

## インストール

```bash
pip install instructor
export BROADNET_API_KEY='your-broadnet-key'
```

## オブジェクトを抽出する

```python
import os
import instructor
from openai import OpenAI
from pydantic import BaseModel

class Invoice(BaseModel):
    vendor: str
    total: float
    currency: str

client = instructor.from_openai(
    OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"]),
    mode=instructor.Mode.TOOLS,
)

invoice = client.chat.completions.create(
    model="broadnet/glm-5.3",
    response_model=Invoice,
    max_tokens=4000,
    messages=[{"role": "user", "content": "Acme Trading invoice, total 1,250.00 SAR"}],
)
print(invoice)
```

Instructor は `Invoice` をツールのスキーマに変換し、`tool_choice` でモデルにそのツールを強制的に呼ばせて、引数を検証します。オブジェクトが検証を通らないと、検証エラーを添えて再度リクエストします。その回数は `max_retries` で制御します。

## from\_provider を使う場合

```python
pclient = instructor.from_provider(
    "openai/broadnet/glm-5.3",
    base_url="https://inference.broadnet.ai/v1",
    api_key=os.environ["BROADNET_API_KEY"],
)
invoice = pclient.create(response_model=Invoice, max_tokens=4000,
                         messages=[{"role": "user", "content": "Acme Trading, 1,250.00 SAR"}])
```

`openai/` の部分でクライアントが決まります。残りの `broadnet/glm-5.3` がモデル ID として送られます。

## どのモードを使うか

| Mode | 送られる内容 | BroadNet での利用 |
| --- | --- | --- |
| `Mode.TOOLS`（デフォルト） | スキーマを使った強制的なツール呼び出し | 可。GLM 5.3 か Qwen3.8 27B で |
| `Mode.JSON_SCHEMA` | タイプ `json_schema` の `response_format` | 可。GLM 5.3 か Qwen3.8 27B で |
| `Mode.MD_JSON` | 通常のリクエスト。テキストから JSON をパース | ほかのモデル用の代替手段。先にテストを |
| `Mode.RESPONSES_TOOLS` | Responses API | 不可：BroadNet が提供するのは chat completions |

## 画像

Qwen3.8 27B はツールに加えて画像も受け付けるので、写真やスキャンを直接モデルのオブジェクトに読み込めます。

```python
import base64
img = base64.b64encode(open("invoice.jpg", "rb").read()).decode()
invoice = client.chat.completions.create(
    model="broadnet/qwen3.8-27b",
    response_model=Invoice,
    max_tokens=4000,
    messages=[{"role": "user", "content": [
        {"type": "text", "text": "Extract the invoice fields."},
        {"type": "image_url", "image_url": {"url": "data:image/jpeg;base64," + img}},
    ]}],
)
```

従量課金のキーでは、画像は入力トークンとして数えられます。[ビジョンでアラビア語の請求書を読む](https://broadrouter.com/ja/guides/read-arabic-invoices-with-vision/)を参照してください。

## テスト方法

2026-11-15 に、クリーンな仮想環境に instructor 1.17.0 と openai 3.3.0 をインストールし、上記の例を、BroadNet の chat completions の形式で応答するローカルのモックサーバーに対して実行しました。記録されたリクエストを確認したところ、`Mode.TOOLS` はスキーマをツールとして強制の `tool_choice` 付きで送り、`Mode.JSON_SCHEMA` は `json_schema` の response format を送り、どちらも有効な `Invoice` を返しました。`from_provider` はモデル ID をそのまま送りました。モックは自由形式のテキストで JSON を書かないため `Mode.MD_JSON` はテストしておらず、画像の例も送っていません。BroadNet のキーは持っていなかったため、実際のモデル出力はテストしていません。

## トラブルシューティング

-   **検証の再試行がいつまでも成功しない。** GLM 5.3 と Qwen3.8 27B では、推論が `max_tokens` に含まれます。上限が低いとツールの引数が途中で切れることがあります。上げてください。[回答が空で返ってくる理由](https://broadrouter.com/ja/guides/reasoning-tokens-empty-response/)。
-   **リクエストが 400 になる。** GLM 5.3 か Qwen3.8 27B を使っているか確認してください。強制の `tool_choice` が拒否される場合は、`Mode.JSON_SCHEMA` を試してください。
-   **401。** キーが間違っている、期限切れ、または利用枠を使い切っています。
-   **404。** `base_url` は `/v1` で終わっている必要があります。GLM 5.3 と Qwen3.8 27B にはチャージが必要で、$5 のクレジットでは使えません。
-   **バッチ抽出で 429 になる。** 従量課金のキーでは 1 分あたり 30 リクエスト、処理中のリクエストは同時に 4 個までです。検証の再試行も 1 回ごとに別のリクエストになります。[エラーとリトライ](https://broadrouter.com/ja/guides/errors-and-retries/)を参照してください。

## このガイドの用語

[Chat Completions API（チャット補完 API）](https://broadrouter.com/ja/glossary/chat-completions-api/)

Chat Completions API とは、OpenAI の HTTP エンドポイント POST /v1/chat/completions で、モデル名とロール付きメッセージのリストを受け取り、モデルの次のメッセージを返します。そのリクエストと応答の形は、OpenAI 互換のプロバイダーや SDK が使う共通形式になりました。

[指数バックオフ（exponential backoff）](https://broadrouter.com/ja/glossary/exponential-backoff/)

指数バックオフ（exponential backoff）とは、失敗するたびに待ち時間を長くして再試行するリトライ戦略で、通常は上限まで遅延を 2 倍ずつ増やします。各待ち時間にランダムなジッターを加えると、多数のクライアントの再試行が分散し、同時にサーバーへ集中しなくなります。

[従量課金（pay-as-you-go）](https://broadrouter.com/ja/glossary/pay-as-you-go/)

従量課金とは、使った分だけを支払う料金体系です。トークン、リクエスト、音声の分数などの単位で計測され、サブスクリプションや最低利用額はありません。多くの LLM API はこの方式で、前払いの残高か定期的な請求書から支払います。

[OpenAI 互換 API（OpenAI-compatible API）](https://broadrouter.com/ja/glossary/openai-compatible-api/)

OpenAI 互換 API とは、POST /v1/chat/completions など OpenAI API と同じリクエスト形式とレスポンス形式を受け付ける HTTP API です。OpenAI の SDK やツールは、ベース URL、API キー、モデル名を変えるだけで利用できます。

[トークン（token）](https://broadrouter.com/ja/glossary/token/)

トークンとは、言語モデルが読み書きするテキストの単位です。モデルのトークナイザーが作る単語、単語の一部、句読点、バイト列のいずれかにあたります。LLM API は利用量をトークンで数え、上限を設け、通常はトークン単位で課金します。

[プリペイドクレジット（prepaid credit）](https://broadrouter.com/ja/glossary/prepaid-credit/)

プリペイドクレジットとは、使用前に API アカウントに入金しておくお金です。リクエストごとに費用が残高から差し引かれ、残高がなくなると、チャージするまで従量課金のリクエストは止まります。支出は支払った額までに抑えられます。

[レート制限（rate limit）](https://broadrouter.com/ja/glossary/rate-limit/)

レート制限とは、1 分あたりのリクエスト数やトークン数など、一定時間内にクライアントが API を使える量に API 側が設ける上限です。上限を超えたリクエストは、使用量が下回るまで通常 HTTP 429 Too Many Requests で拒否されます。

[構造化出力（Structured Outputs）](https://broadrouter.com/ja/glossary/structured-output/)

構造化出力とは、モデルの回答を開発者が指定した形式（通常は JSON Schema）に制約し、コードで確実に解析できるようにする LLM API の機能です。有効な JSON であることだけを保証し、特定の形までは保証しない JSON モードより厳格です。

## よくある質問

### BroadNet では Instructor のどのモードを使えばいいですか？

デフォルトの Mode.TOOLS を、BroadNet がツールと構造化出力を掲載している GLM 5.3 か Qwen3.8 27B で使ってください。Mode.JSON\_SCHEMA は代わりに json\_schema の response\_format を送ります。私たちのモックサーバーでのテストでは、どちらも有効なオブジェクトが得られました。

### Mode.RESPONSES\_TOOLS は使えますか？

いいえ。Instructor のドキュメントは、サーバーが Responses API を実装していない限りこのモードを選ばないよう書いています。BroadNet が提供しているのは chat completions だけです。

### Instructor は BroadNet の DeepSeek V4.1 Flash や Gemma でも使えますか？

BroadNet はこれらのモデルにツールや構造化出力を掲載していません。Mode.MD\_JSON はプレーンテキストで JSON を求めてパースするので動く可能性はありますが、頼る前に自分のデータでテストしてください。

### from\_provider のモデル文字列はどう書けばいいですか？

openai/broadnet/glm-5.3 と書きます。Instructor は最初のセグメントをプロバイダーとして切り出します。私たちのテストでは、broadnet/glm-5.3 がそのままサーバーに送られました。

## 関連ガイド

-   [OpenAI Python SDK を BroadNet Inference で使う](https://broadrouter.com/ja/guides/openai-python-sdk/)
-   [Pydantic AI を BroadNet Inference で使う（OpenAICompatibleProvider）](https://broadrouter.com/ja/guides/pydantic-ai-openai-compatible/)
-   [ビジョンモデルでアラビア語の請求書とレシートを読み取る](https://broadrouter.com/ja/guides/read-arabic-invoices-with-vision/)
-   [推論モデルが空の回答を返す理由](https://broadrouter.com/ja/guides/reasoning-tokens-empty-response/)
-   [BroadNet Inference で使えるすべてのツール （英語）](https://broadrouter.com/integrations/)：SDK、コーディングエージェント、チャット UI、自動化ツールと、それぞれの正確な設定

実際のワークロードで試してください。 新規アカウントには US$5 の初回クレジットがあり、Gemma、文字起こし に使えます。DeepSeek、GLM、Qwen3.8 はチャージが必要です。

[始める](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-guides-instructor-structured-output&utm_content=page-cta) ·

**出典**

-   [Instructor ドキュメント：OpenAI と OpenAI 互換サーバー（2026-11-15 確認）](https://python.useinstructor.com/integrations/openai/)
-   [PyPI：instructor 1.17.0（2026-11-15 確認）](https://pypi.org/project/instructor/)
-   [BroadNet Inference API リファレンス（2026-11-15 確認） （英語）](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-guides-instructor-structured-output&utm_content=sources)
