Sofortantwort
Structured Output einfach erklärt
LLMs geben Antworten in vordefinierten Formaten wie JSON aus.
- Kurz gesagt
- LLM-Ausgaben in validem JSON, XML oder anderen strukturierten Formaten
- Typischer Einsatz
- Datenextraktion, API-Responses, Automatisierte Pipelines
- Wichtig zu wissen
- Moderne APIs bieten native Unterstützung mit JSON Schema Validation
Structured Output im Überblick
Structured Output bedeutet, dass ein LLM seine Antwort in einem vordefinierten Format ausgibt – meist JSON mit einem festen Schema. Das macht LLM-Ausgaben zuverlässig für die Weiterverarbeitung in Code.
Warum ist das wichtig?
Ohne Structured Output variiert die Ausgabe: Mal kommt “Der Preis ist 29,99€”, mal “29.99 EUR”, mal eine Tabelle. Mit Structured Output bekommst du immer {"price": 29.99, "currency": "EUR"}.
Beispiel:
Prompt: Extrahiere Produktinfos aus diesem Text: "Das iPhone 15 Pro
kostet 1199€ und hat 256GB Speicher."
Ohne Structured Output:
"Das Produkt ist ein iPhone 15 Pro. Es kostet 1199 Euro und
bietet 256 Gigabyte Speicherplatz."
Mit Structured Output:
{
"name": "iPhone 15 Pro",
"price": 1199,
"currency": "EUR",
"storage_gb": 256
}Technisch betrachtet
Native API-Unterstützung (OpenAI)
from openai import OpenAI
from pydantic import BaseModel
class Product(BaseModel):
name: str
price: float
currency: str
storage_gb: int | None
client = OpenAI()
response = client.beta.chat.completions.parse(
model="gpt-5",
messages=[{"role": "user", "content": "Extrahiere: iPhone 15 Pro, 1199€, 256GB"}],
response_format=Product
)
product = response.choices[0].message.parsedPrompt-basierter Ansatz
Wenn keine native Unterstützung verfügbar:
Antworte ausschließlich als gültiges JSON mit diesem Schema:
{
"name": string,
"price": number,
"currency": "EUR" | "USD",
"storage_gb": number | null
}
Kein Text außerhalb des JSON-Objekts.Best Practices
- Native APIs bevorzugen: Zuverlässiger als Prompt-basierte Lösungen
- Schemas einfach halten: Weniger Felder = weniger Fehler
- Validierung einbauen: Auch bei nativer Unterstützung Ergebnisse prüfen
- Fallback planen: Was passiert bei ungültiger Ausgabe?
Schritt für Schritt
Von freiem Text zu prüfbaren Daten
Structured Output definiert, welche Felder eine Antwort haben darf. Das macht die Form zuverlässig, nicht automatisch die Aussage wahr.
Datenschema entwerfen
Schema
Die Anwendung beschreibt Felder, Datentypen, erlaubte Werte und Pflichtangaben aus Sicht der Weiterverarbeitung.
Felder + Typen + GrenzenAufgabe und Quelle bereitstellen
Eingabe
Das Modell erhält klaren Eingabetext und eine Anweisung, nur die geforderte Struktur zurückzugeben.
Quelle → strukturierte ExtraktionAntwort gegen Schema prüfen
Validierung
Die API oder Anwendung validiert, ob Felder, Werte und Formate der vereinbarten Struktur entsprechen.
Antwort → valide oder FehlerInhalt fachlich absichern
Fachlogik
Geschäftsregeln, Plausibilitätschecks und Quellenverweise prüfen zusätzlich, ob die Daten sinnvoll und zulässig sind.
Schema gültig ≠ fachlich korrekt
Konkretes Beispiel
Beispiel: Daten aus einer Rechnung extrahieren
Eine Anwendung soll Rechnungsnummer, Datum, Betrag und Währung aus einem Dokument übernehmen.
Freie Textantwort
Das Modell beschreibt die Rechnung in einem Satz. Der Code muss Format und Werte anschließend aus Text herauslesen.
Definierte Datenstruktur
Das Modell liefert Felder für Nummer, Datum, Betrag und Währung. Die Anwendung prüft Zahlenbereiche und gleicht die Werte mit dem Dokument ab.
Eine feste Struktur vereinfacht Automatisierung. Für kritische Daten braucht sie immer fachliche Validierung und gegebenenfalls eine menschliche Prüfung.
Einordnung
Vorteile und Grenzen
Das spricht dafür
- Macht LLM-Antworten direkt für Code und Workflows nutzbar.
- Reduziert fehleranfälliges Parsing von freiem Text.
- Klärt bereits beim Entwurf, welche Informationen wirklich benötigt werden.
- Ermöglicht maschinelle Validierung und gezielte Fehlerbehandlung.
Das solltest du beachten
- Ein valides Schema garantiert keine inhaltlich richtige Aussage.
- Komplexe Schemas können Modell und Anwendung unnötig belasten.
- Fehlende oder mehrdeutige Quellendaten bleiben ein Fachproblem.
- Änderungen am Schema brauchen Versionierung in allen Verbrauchern.
Vertiefung · für FortgeschritteneVerarbeitungsweg strukturierter Modellantworten
Das Schema ist der Vertrag zwischen Modellantwort und Anwendung.
Form erzwingen