LLMの構造化出力は、あらかじめ決めた項目や型に沿って、プログラムが扱えるデータを受け取る仕組みです。文章から情報を抽出し、後続の処理へ渡す場面などで使います。
ただし、指定した形で返ったことと、値が事実に合っていることは別です。形式の確認に加えて、元の情報や業務ルールとの照合が必要です。
JSONとして読めるだけでは足りない
JSONはデータを表す形式です。一方、スキーマは、どの項目を持ち、それぞれが文字列、数値、配列などのどの型になるかを決めるために使います。
Anthropicの公式文書では、Structured outputsを、指定したスキーマに応答を制約する機能として説明しています。単にプロンプトへ「JSONで返して」と書く場合と、提供元の構造化出力機能を使う場合を区別してください。Anthropic: Structured outputs
| 確認する層 | 問いの例 |
|---|---|
| 構文 | JSONとして読み取れるか |
| スキーマ | 必須項目や型が合っているか |
| 内容・業務 | 値は原文にあり、業務上扱ってよいか |
どの条件を機能側で制約できるかは、サービスと対応するスキーマの範囲によって異なります。
不明な値を表せるようにする
架空の依頼文「部品Aを12個お願いします。納期は相談させてください」から、品目、数量、希望納期を取り出すとします。
{
"item": "部品A",
"quantity": 12,
"requested_date": null,
"needs_confirmation": true
}
これは説明用の出力例です。希望納期を必ず日付の文字列にする設計では、情報がない場合の扱いに困ります。欠損を許すか、確認が必要な状態を別の項目で持つかを先に決めます。
null、空文字列、項目そのものがない状態を、同じ意味として扱うかも決めてください。後続の処理がどの状態で停止するかまで合わせておくと、情報不足のまま処理を進めることを避けられます。
型が正しくても原文と違う値はあり得る
上の例で数量が120になっていても、整数という型だけを確認する検証は通るかもしれません。日付の形に合う値が入っていても、原文に日付がなければ採用できません。
そこで、抽出対象の原文と結果を照合する工程を設けます。数量の上限、取引先や品目の存在、実施可能な日程など、業務固有の条件も別に確認します。形式を整える仕組みに、内容の正確さまで任せない設計が必要です。
項目によっては、人の確認を経て確定する方が適切な場合もあります。金額や外部への発注など、値が誤った場合の影響を基に確認方法を選んでください。
拒否や途中終了を通常結果へ混ぜない
Anthropicは、拒否や出力上限への到達など、スキーマに合う通常結果として扱えないケースを説明しています。Anthropic: Invalid outputs
応答本文を読む前に、成功、拒否、途中終了、通信失敗などの状態を確認します。失敗を空の正常データへ置き換えると、後続処理が「該当なし」と誤認する可能性があります。
再試行する場合も、回数や対象を決めます。既に外部処理を実行した後で応答だけが失われたケースでは、無条件の再実行が重複操作につながらないかを確認します。
スキーマを変更したら受け手も確認する
項目名や型を変えると、受け取る側の処理にも影響します。代表的な正常例に加えて、情報不足、想定外の値、拒否、途中終了を確認用のケースに含めます。
最初は少数の項目で、抽出、照合、保留、確定までを一巡させてください。外部操作を伴うAI連携については、AIエージェントと業務プロセスも参照できます。具体的な業務と未確定の条件を整理した上で、お問い合わせへご相談ください。