JSON
PulseAugur coverage of JSON — every cluster mentioning JSON across labs, papers, and developer communities, ranked by signal.
- developed by LIFT 95%
- used by json-schema 90%
- used by pydantic 90%
- used by Toon 90%
- used by Glyphic Entertainment 90%
- instance of Infrainguinal vein graft stenosis 90%
- used by schema 90%
- used by LIFT 85%
- used by Javascript 70%
- used by application programming interface 70%
- instance of json-schema 70%
- used by HTTP 70%
28 天有情绪数据
-
波兰公司验证服务推出 REST 和 AI Agent API
一项名为 skanfirmy.pl 的新服务已上线，旨在简化波兰公司的验证流程。它整合了四个不同的政府来源的数据：财政部、国家法院名册（KRS）、GUS（统计局）和欧盟的 VIES 服务。该服务提供了一个统一的 API，通过简单的 HTTP 请求以 JSON 格式返回数据，方便使用 Python 或其他语言的开发者访问。此外，它还提供了一个 MCP（模型上下文协议）接口，使 AI Agent 能够以编程方式执行这些检查，而无需 API 密钥。
-
免费LLM服务器在可靠的结构化输出方面存在困难
一位开发者测试了免费模型服务器，以评估它们在生成结构化输出（特别是JSON）方面的可靠性。测试表明，这些服务器经常会静默失败，提供不正确或无法解析的JSON，而不会引发异常。一项实验涉及发送100个请求特定JSON格式的提示，并根据严格的模式验证响应，另一项测试了三个复杂度递增的任务，包括嵌套数据提取。两项测试都突显了免费模型服务器在持续提供准确结构化数据方面存在重大问题。
-
学生构建LLM抽认卡工具，发现10%错误，编写过滤器
一名学生利用免费的LLM和服务器，为机器学习期中考试开发了一个从讲义生成抽认卡的工具。然而，初始输出包含大量错误，400张抽认卡中有37张不正确。为解决此问题，该学生创建了一个40行的Python过滤器，用于识别和标记可疑卡片，重点关注易混淆的术语、不正确的方向性陈述和不相关的示例。
-
MCP配置缺陷导致未经信任的代码执行后门
MCP（模型通信协议）配置中发现了一个安全漏洞，其中`.mcp.json`文件可充当后门，允许未经信任的代码执行。该配置文件因其看似简单的配置而被忽视，但它可能授予第三方组织访问敏感凭证和模型指令流的权限。现有安全工具（如CodeQL和Dependabot）不会扫描这些配置文件，导致它们未被审查并容易被利用，从而产生了此漏洞。作者详细介绍了完整的攻击链，并提出了应对这些风险的缓解策略。
-
分析发现：YAML 在大型数据集上比 JSON 消耗更多 Token
对数据序列化格式的比较显示，尽管 YAML 的字节大小更小，但在大型数据集上，它比 JSON 消耗更多的 Token。该分析考虑了十种序列化方法和七种分词器，发现在一百条记录的情况下，YAML 比最小化的 JSON 多消耗 21% 的 Token，但字节大小却小 3%。
-
LLM服务器方差探测揭示单次运行测试的不可靠性 · 跟踪2个来源
两篇文章探讨了免费LLM服务器性能的方差，认为单次运行会提供误导性结果。第一篇文章介绍了一个Python脚本，该脚本每小时发送20个请求，在24小时内测量延迟和错误率，并强调了不一致的性能如何可能破坏管道。第二篇文章提出运行50个顺序请求，每次暂停一秒，以分析延迟、输出和错误率的方差，并强调一致的测量对于理解端点可靠性至关重要。
-
Python 教程详解速率限制 API 的语义缓存
本教程介绍了一种用于速率限制 API 的语义缓存技术，该技术纯 Python 实现，无需外部依赖。与仅在完全匹配时才重用响应的精确缓存不同，该方法可以重用对语义相似查询的响应，即使问题被改写也能奏效。通过使用字符 n-gram 和余弦相似度，缓存可以减少负载并节省 API 配额，并具有可配置的阈值来平衡精确率和召回率。
-
新工具将 REST API 转换为 AI 代理可读的 MCP 格式
发布了一款新工具，可将现有的 REST API 转换为 AI 代理可用的格式。此转换过程利用模型上下文协议 (MCP) 将 API 公开为代理可以理解和调用的、可发现的、类型化的工具。该工具接受 OpenAPI 或 Swagger 规范，并生成 MCP 工具定义、发现清单以及代理对原始 REST API 调用运行的 Node.js MCP 服务器。
-
LLM JSON 提取超时通过分块和重新排序得到修复
从长文档（如通话记录或发票）中提取结构化数据（如 JSON）通常会导致令牌限制和处理时间过长而超时。开发人员可以通过实施分块策略来解决此问题，即将文档划分为更小、可管理的部分。这种方法结合令牌计数和可能的重排相关段落，确保请求在模型限制范围内，并提高了 JSON 提取的可靠性，允许部分结果和更轻松的模型替换。
-
LLM JSON 解析问题凸显数据契约的必要性
一位开发者遇到了一个问题，即 LLM 生成了结构不一致但有效的 JSON 响应，导致数据损坏。问题不在于 LLM 本身，而在于开发者的解析代码，该代码将 JSON 键的变体（如 'customer_email'、'email' 或嵌套的 'customer.email'）静默地转换为 null 值。解决方案是实施一种“形状差异”技术，以识别和衡量这些结构变体的分布，从而在数据边界实现更强大的解析契约。
-
Qwen3.8-27B：开源大模型提供100万上下文，面向自托管用户
Qwen3.8-27B模型是一个开源的大型语言模型，专为自托管设计，提供1,000,000个token的上下文窗口和具有竞争力的价格。初步测试表明，该模型在代码生成、逻辑推理和结构化数据提取方面表现强劲，使其成为寻求控制API使用相关成本的初创公司和开发者的可行选择。该模型代表了向生产就绪的开源解决方案的转变。
-
LLM审核系统需要政策审查队列来减少误报
为了提高LLM审核的准确性，一个提议的系统要求模型输出有效的JSON，将不确定的分类路由给人工审查，并将自动阻止保留给高置信度的违规行为。该方法旨在通过区分类别置信度和严重性，并考虑医疗术语或俚语等敏感话题的上下文来减少误报。该系统建议使用三向决策过程（允许、审查、阻止），并使用多样化的固定装置进行测试，以确保模型遵守输出合同和政策决定。
-
金融科技LLM成本降低：小型模型、Token计数和批处理
为降低金融科技目录管理中大型语言模型（LLM）的成本，应优先考虑结构化输出的正确性，并将复杂任务路由到更大的模型。这包括仔细计算提示Token数，建立一个包含多样化示例的固定评估集，以及对非紧急任务进行批处理。目标是选择满足准确性阈值的最小模型，确保为定价逻辑等下游流程生成有效的JSON输出，而不仅仅是获得高分类分数。
-
LLM JSON 提取：稳健的验证和单次重试策略
使用 LLM 从大型文本输入中提取结构化 JSON 需要一个稳健的多阶段验证过程。开发人员应使用严格的 JSON 模式配合聊天补全模型，并在应用程序代码中实现二次验证层，以强制执行超出模式约束的业务逻辑。建议采用单次重试机制，向模型提供原始文本和具体的验证错误，以纠正格式错误或语义不完整的响应，而不会进入无限循环。
-
LLM 输出的 JSON 解析器测试：jsonrepair 领先，JSON.parse 失败
对三个 JavaScript JSON 解析器——标准的 JSON.parse、jsonrepair 3.15.0 和 JSON5 2.2.3——的比较显示，它们在处理格式错误的 LLM 输出方面的能力存在显著差异。JSON.parse 能够正确识别无法恢复的错误，而 JSON5 只能修复简单的对象字面量。jsonrepair 3.15.0 表现出最强大的性能，成功修复了五种常见的 LLM 输出错误，包括尾随逗号、未加引号的键、注释以…
-
上下文工程：超越提示词的LLM系统架构
上下文工程被视为构建复杂自主AI系统的关键系统架构学科，超越了简单的提示词优化。它涉及像管理RAM一样管理LLM的上下文窗口，确保模型在需要时接收精确的信息和指令。关键策略包括选择相关的外部数据、压缩上下文、在活动窗口外持久化状态以及隔离不同领域的上下文，以防止上下文投毒、分心、混淆和冲突等问题。
-
开发者创建 300 案例套件以测试 LLM JSON 解析的稳健性
一位开发者创建了一个名为 MALFORMED-300 的包含 300 个案例的合规性套件，用于测试大型语言模型 (LLM) 解析器在处理格式错误的 JSON 输出时的稳健性。该套件将错误分为十二种类型，包括代码围栏、散文包装器以及 Python/JS 字面量，并特别关注仅正确的响应是拒绝解析的情况。初步测试显示，标准的 Python `json` 库在 300 个案例中有 275 个失败，而开发者自己的解析器取得了 94.0% 的成功…
-
AI 支持代理严格遵守知识库，升级了 12 个工单中的 3 个
一位开发者使用 n8n 构建了一个 AI 支持代理，该代理通过严格遵守知识库成功回答了 12 个真实支持工单中的 9 个。该代理的核心规则是，每次回复都必须引用知识库中的条目；如果无法引用，则将工单升级给人工处理。这种方法阻止了 AI 编造信息或做出超出其定义范围的策略决策。被升级的三个工单涉及超出政策范围的客户要求、折扣请求和功能请求，所有这些都被开发者视为正确的升级。
-
ShapeCraft 库提供了实用的 LLM 结构化输出用例
ShapeCraft 是一个用于 LLM 结构化输出的库，它提供了超越简单数据提取的实用应用程序。通过分配类别和优先级，它可以将非结构化的支持工单转换为可操作的数据；通过定义供应商、总计和项目符号的模式，它可以解析收据和发票等复杂文档。该库还通过确保提取和验证所有必需字段来促进表单驱动的聊天机器人，并支持使用 GBNF 语法进行离线模型执行，以保证输出约束。此外，ShapeCraft 还支持具有独立重试和并发控制的文件批量处理，确保文…
-
LLM迁移需要契约固定项，而不仅仅是基准测试
在大型语言模型之间迁移需要关注契约迁移，而不是仅仅依赖性能基准测试。文章认为，基准测试通常无法捕捉API响应中的关键变化，例如改变的JSON结构或缺失的工具调用，这些都可能破坏下游应用程序。文章提出使用MonkeyCode等服务，这些服务提供免费的模型访问，用于记录和回放特定的提示及其预期的结构化输出。这会创建一个持久的产物，即契约固定项，允许针对模型的实际行为进行通过/失败测试，从而确保更顺畅的过渡并防止生产故障。