---
title: "Saída estruturada em APIs de LLM: JSON Schema ou JSON mode"
description: "Saída estruturada faz a resposta de um LLM seguir um formato seu, em geral um JSON Schema. A diferença para o JSON mode, como pedir e o que ainda pode falhar."
url: https://broadrouter.com/pt/glossary/structured-output/
lang: pt-BR
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduzido do inglês com ajuda de IA. [Leia o original em inglês](https://broadrouter.com/glossary/structured-output/) (atualizado em 2026-11-15).

# Saída estruturada (structured output)

Atualizado em 2026-11-15

Saída estruturada é um recurso de APIs de LLM que restringe a resposta de um modelo a um formato definido pelo desenvolvedor, normalmente um JSON Schema, para que o código consiga interpretá-la de forma confiável. É mais rigorosa que o JSON mode, que garante um JSON válido, mas não uma estrutura específica.

Também chamado de: saída estruturada, saídas estruturadas, saída em JSON, structured output, structured outputs, JSON schema output, response\_format

Código precisa de entradas previsíveis. A saída estruturada transforma o texto livre de um modelo em dados em que o seu programa pode confiar.

## Como funciona

Há três níveis de controle:

| Método | O que você recebe |
| --- | --- |
| Pedir no prompt | Normalmente JSON, às vezes com texto extra ou campos faltando |
| JSON mode | JSON válido, em qualquer formato |
| Saída estruturada com schema | JSON que segue o seu schema |

No formato da OpenAI, o JSON mode é `response_format: {"type": "json_object"}`. A saída estruturada passa um schema:

```json
"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
    }
  }
}
```

A referência da OpenAI diz que o tipo `json_schema` “ensures the model will match your supplied JSON schema” (tradução: garante que o modelo vai seguir o JSON Schema fornecido). Muitos provedores fazem isso com decodificação restrita: limitam quais tokens o modelo pode produzir a cada passo, de modo que uma saída que quebre o schema não possa ser gerada.

## Por que importa

-   **Menos erros de parsing.** Pipelines de extração, classificadores e agentes podem ler os campos diretamente.
-   **Prompts mais simples.** O schema substitui longas instruções de formato.
-   **Não é garantia total.** O guia da OpenAI diz que o seu app ainda precisa lidar com recusas, respostas incompletas e erros. Uma resposta cortada por [`max_tokens`](https://broadrouter.com/pt/glossary/max-tokens/) é um JSON quebrado, não importa o que o schema diga.

O suporte varia entre [APIs compatíveis com a OpenAI](https://broadrouter.com/pt/glossary/openai-compatible-api/). Algumas aceitam só `json_schema`, outras só `json_object`, e outras ignoram o campo. Confira antes de depender disso.

## Na BroadNet Inference

A documentação da BroadNet lista saída estruturada para o [GLM 5.3](https://broadrouter.com/pt/models/glm-5.3/) e o [Qwen3.8 27B](https://broadrouter.com/pt/models/qwen3.8-27b/). A documentação não cita o parâmetro da requisição, então teste `response_format` no seu modelo e, de qualquer forma, mantenha um parser de JSON com tratamento de erros. O [validador de saída JSON de LLM](https://broadrouter.com/tools/llm-json-output-validator/) mostra onde uma resposta quebra e a confere com o seu schema. Os dois modelos raciocinam antes, então deixe espaço em `max_tokens` para o raciocínio mais o JSON.

A saída estruturada combina bem com [modelos de visão](https://broadrouter.com/pt/glossary/vision-language-model/). O [guia de notas fiscais em árabe](https://broadrouter.com/pt/guides/read-arabic-invoices-with-vision/) envia uma imagem e pede os campos em JSON. Para ações em vez de respostas, use [chamada de ferramentas](https://broadrouter.com/pt/glossary/tool-calling/).

## Erros comuns

-   Esquecer `additionalProperties: false`, ou não listar todos os campos em `required`, ao usar o modo strict.
-   Não conferir `finish_reason` antes do parsing.

## Perguntas frequentes

### Qual é a diferença entre JSON mode e saída estruturada?

O JSON mode só promete que a resposta pode ser interpretada como JSON. A saída estruturada com um schema também promete os campos, os tipos e as chaves obrigatórias que você definiu. O guia da OpenAI diz que só os Structured Outputs garantem a aderência ao schema.

### Ainda preciso validar a saída?

Sim. A resposta ainda pode ser uma recusa ou ser cortada por max\_tokens, e um schema não consegue expressar todas as regras de negócio, como um total que precisa ser igual à soma dos itens.

### Uso saída estruturada ou chamada de ferramentas?

Use saída estruturada quando quiser a resposta final em um formato fixo. Use chamada de ferramentas (tool calling) quando o modelo precisar pedir ao seu código para fazer algo e depois continuar.

## Veja também

-   [Tool calling (chamada de ferramentas)](https://broadrouter.com/pt/glossary/tool-calling/) (termo)
-   [max\_tokens](https://broadrouter.com/pt/glossary/max-tokens/) (termo)
-   [Modelo de visão e linguagem (VLM)](https://broadrouter.com/pt/glossary/vision-language-model/) (termo)
-   [API compatível com a OpenAI](https://broadrouter.com/pt/glossary/openai-compatible-api/) (termo)
-   [JSON mode (modo JSON)](https://broadrouter.com/pt/glossary/json-mode/) (termo)
-   [Guardrails (barreiras de proteção para LLM)](https://broadrouter.com/pt/glossary/guardrails/) (termo)
-   [JSON Schema](https://broadrouter.com/pt/glossary/json-schema/) (termo)
-   [Ler notas fiscais e recibos em árabe com um modelo de visão](https://broadrouter.com/pt/guides/read-arabic-invoices-with-vision/) (guia)
-   [Como usar o SDK Python da OpenAI com a BroadNet Inference](https://broadrouter.com/pt/guides/openai-python-sdk/) (guia)
-   [Como escolher uma API de LLM para árabe: o que testar](https://broadrouter.com/pt/blog/choosing-an-llm-for-arabic/) (artigo)

Teste com a sua carga de trabalho real. Contas novas começam com US$ 5 de crédito para Gemma e transcrição. DeepSeek, GLM e Qwen3.8 exigem uma recarga.

[Começar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-glossary-structured-output&utm_content=page-cta) ·

**Fontes**

-   [OpenAI, guia de Structured Outputs](https://developers.openai.com/api/docs/guides/structured-outputs)
-   [Referência da API da OpenAI, criar um chat completion (response\_format)](https://developers.openai.com/api/reference/resources/chat/subresources/completions/methods/create)
-   [Referência da API da BroadNet Inference, modelos (em inglês)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-glossary-structured-output&utm_content=sources#models)
