json-schema
PulseAugur coverage of json-schema — every cluster mentioning json-schema across labs, papers, and developer communities, ranked by signal.
9 天有情绪数据
-
Spring AI 2.0 增强 LLM 结构化输出的可靠性
Spring AI 2.0 解决了 LLM 即使在提示为 JSON Schema 等格式时也不能始终以严格结构返回数据的挑战。新版本引入了处理这些不一致性的功能，例如模型添加解释或偏离所请求格式。此开发旨在提高将 LLM 集成到软件应用程序中的可靠性。
-
新的库 ShapeCraft 解决了超越 JSON Schema 的 AI 语义正确性问题
一个名为 ShapeCraft 的新开源库旨在通过解决 JSON Schema 在生产环境使用中的局限性来提高 AI 系统的可靠性。该库的创建者认为，虽然 JSON Schema 确保了结构上的正确性，但它不能保证语义上的准确性，这意味着 LLM 可以返回事实错误或幻觉的有效 JSON。ShapeCraft 在 OpenAI 和 Anthropic 等多个 LLM 提供商之间提供统一的 API，暴露了它们结构化输出能力的实际保证级别，…
-
AI 代理作者详解系统设计，以防止 LLM 行为幻觉
自主 AI 代理作者 Alice Spark 详细介绍了防止语言模型在真实世界系统中采取错误行动的方法。核心原则是默认不信任 LLM 的输出，将其视为提议而非命令。这包括实现一个确定性层，在执行前将每个提议的操作与真实情况（例如现有目标的实时注册表）进行验证。此外，提示应基于当前状态，输出应限制在严格的模式内，并且高风险操作需要确认或进行试运行。使操作幂等化并限制重试次数可进一步提高安全性，确保系统设计（而非模型大小）是防止破坏性幻觉的关键。
-
AI代理的工具调用错误可追溯至有缺陷的JSON schema
AI代理可能因调用错误的工具而犯下关键性错误，可靠性问题通常源于定义不佳的JSON schema。开发者可以通过精心设计schema描述、确保精确的类型约束以及验证所有必需参数都存在来提高代理性能。此外，代理应被编程为针对模糊或关键信息询问澄清问题，而不是猜测，这可以防止代价高昂的错误。
-
LLM API 在一致的结构化 JSON 输出方面遇到困难
由于输出格式不一致，开发人员在尝试从各种大型语言模型 (LLM) 中提取结构化 JSON 数据时遇到了挑战。虽然可以提示 LLM 返回 JSON，但它们通常无法严格遵守所请求的模式，从而导致解析错误。解决方案包括使用 JSON 模式、函数/工具调用或模式约束输出等特定模式，这些模式强制执行语法上有效的 JSON。然而，即使使用这些方法，模型仍可能产生不正确的值，这需要验证步骤和重试机制，以确保为应用程序和代理提供可靠的数据提取。
-
开发者自动将 OpenAPI 规范转换为 MCP 服务器，代码量约 150 行
一位开发者创建了一个自动转换器，可将 OpenAPI 规范转换为 MCP（机器通信协议）服务器定义，显著减少了 AI 集成所需的样板代码。该工具使用约 150 行 Java 代码编写，解析 OpenAPI 3.0 规范以生成 MCP 工具定义，包括参数的 JSON 模式。该转换器也可应用于已具有 OpenAPI 文档的现有 Spring Boot API，使其能够以最少的代码更改充当 MCP 服务器，正如一个旧项目 50 行实现的示例所示。
-
新漏洞揭示 AI 代理易受恶意工具描述攻击
在 AI 代理处理工具描述的方式中，尤其是在 MCP 服务器中，已发现一个安全漏洞。恶意指令可以嵌入到工具清单的“description”字段中，代理通常会将其视为受信任的文档。这使得攻击者能够通过将指令隐藏在人类审阅者可能忽略的不可见字符或纯文本中，诱骗代理执行有害命令，例如窃取 API 密钥等敏感数据。提出的解决方案包括将工具描述视为不受信任的输入，对 Unicode 进行规范化，去除不可见字符，并在注册工具之前标记命令式指令。
-
MCP Inspector vs. Postman：基于浏览器的验证器提供更快的模式检查
MCP Inspector 和 Postman 是用于测试 Model Context Protocol (MCP) 工具的工具，但一个定制构建的验证器提供了一种更快速、基于浏览器的替代方案来进行模式检查。作者遇到了一个错误，其中一个代理由于广告的 JSON 模式字段 (`currency_from`) 和处理程序预期的字段 (`from_currency`) 之间的不匹配而忽略了货币转换工具。虽然 MCP Inspector 可以调…
-
AI代理在工具模式更改时会静默失败
已识别出AI代理工具使用中一个微妙但关键的故障模式，即工具模式可以更改而不会触发错误。代理可能会继续使用过时的模式发送请求，导致静默地处理不正确的数据，因为服务器会悄悄地丢弃或错误地解释字段。即使JSON模式验证通过并且服务器返回200 OK状态，也会发生这种情况。提出的解决方案包括固定每个工具合同的SHA-256哈希，以在调用之前检测任何漂移，从而解决合同更改被忽视的问题。
-
JSON模式自动为跨平台MCP服务器设置生成UI
一种新方法利用JSON模式自动生成用于配置MCP服务器多平台设置的用户界面。该方法允许使用Compose Multiplatform的单一代码库为Android、iOS和桌面应用程序创建原生设置屏幕。描述LLM输入工具的同一JSON模式也可用于渲染用户友好的设置表单，确保人类和AI配置之间的一致性，并支持离线持久化和模式演进。
-
AI代理在模式验证后仍难以进行语义工具选择
一位开发者发现，对AI代理工具调用的严格模式验证并未显著减少失败，因为大多数错误是语义上的而非结构上的。即使调用在Pydantic和JSON模式下结构有效，但大多数问题涉及代理选择了错误的工具或提供了语义上不正确的参数。实现了一个简单的确定性预检查，以根据系统状态验证调用先决条件，这有效地解决了参数错误问题，但代理为用户意图选择错误工具的问题仍然是一个开放的挑战。
-
AI 代理可以通过剥离工具模式冗余来减少令牌浪费
开发人员可以通过删除“title”、“$schema”和“additionalProperties”等不必要的字段，显著减少 AI 代理工具模式中的令牌浪费。这些字段通常占模式大小的 20%，但无助于 AI 选择正确的工具。提供了 Node.js/TypeScript 和 Python 的代码片段，可自动剥离这些冗余，从而在每次代理交互中节省大量成本。
-
AI代理现已自主使用已有数十年的API作为“工具”
AI“工具”的概念指的是AI代理可以自主调用的特定、原子化的能力。这些工具通常由JSON模式定义参数和输出，其本身并不新鲜，因为API已经存在了几十年。新颖之处在于AI模型能够推理、选择并将这些工具链接起来，在没有人为干预的情况下执行复杂的工作流程。虽然工具层被认为是已解决的，但焦点正转向开发“方法论”层，该层负责管理代理如何有效使用这些工具。
-
强制 LLM 直接输出 JSON 会降低其准确性
强制大型语言模型（LLM）直接输出结构化数据（如 JSON）会显著降低其准确性。这是因为 LLM 是逐个 token 生成文本的，而强制立即输出空数据会剥夺它们的“草稿板”或思维链（Chain of Thought）过程，阻碍其推理能力。为了在获得结构化输出的同时保持准确性，应在 JSON schema 中包含一个“思考层”或强制的草稿板字段，允许模型在提供最终、干净的输出之前进行“大声思考”。
-
大语言模型取代 CSS 选择器实现弹性网页抓取
一种新的网页抓取方法使用大语言模型（LLMs）来提取数据，提供了比传统 CSS 选择器更具弹性的方法。这种由大语言模型驱动的技术侧重于内容的语义含义，而不是其在 HTML 中的结构位置。通过定义目标 JSON 模式，开发人员可以指示大语言模型解析网页，克服由动态类名、A/B 测试和网站重新设计等问题引起的传统爬虫中断。
-
2026年5月摘要：API网关安全与性能进展
这组来自2026年5月的文章详细介绍了API网关架构的进展，重点关注性能、多云部署和安全性。内容涵盖使用Bucket4j和Infinispan实现速率限制，使用Vert.x构建高性能网关，以及使用Go和Envoy设计强大的多云网关。文章还讨论了关键的安全问题，包括供应链攻击、提示注入以及使用OAuth 2.1构建强大的授权机制。
-
开发者通过强制执行 JSON schema、内存和路由来确保 AI 代理合规
一位开发者详细介绍了他们如何通过对所有输出强制执行严格的 JSON schema 来构建更可靠的企业合规 AI 代理。这种方法可以防止代理生成自由格式文本，而是强制其填充特定字段，从而实现程序化防护和 UI 警报。该系统还通过 Hindsight 库整合历史数据作为基础，以对抗幻觉，并使用路由机制将敏感查询导向更强大、更受控的模型。
-
Claude 的工具使用确保了开发者可靠的 JSON 输出
一个开发者指南演示了如何通过利用 Anthropic 的 Claude 模型工具使用功能，可靠地从该模型中提取结构化数据。该技术不是直接提示生成 JSON，而是定义一个带有 JSON Schema 作为其参数的假工具，并强制 Claude 调用该工具。模型输出作为调用工具的副作用，符合 Schema，然后被捕获为所需的结构化数据。此方法绕过了诸如格式错误的 JSON 或散文响应等常见问题，确保了应用程序的一致且可解析的输出。
-
详细介绍LLM输出验证和效率策略
多篇文章讨论了在生产环境中处理大型语言模型（LLM）输出的稳健方法，强调需要超越简单的JSON格式进行结构化验证。文章重点介绍了Pydantic和JSON Schema等技术，用于在LLM生成的数据集成到下游系统之前强制执行数据完整性，确保其符合预定义的结构。讨论还涵盖了提高LLM效率和可靠性的策略，包括使用缓存层来降低API成本，以及使用DSPy等框架进行声明式提示编程以自动化提示优化。
-
AI 有望缓解配置复杂软件工具时的开发者阻力
作者讨论了开发者在配置开源软件时面临的阻力，并将其与 Microsoft 和 Apple 等公司的用户友好方法进行了对比。他们提出 AI 有可能通过帮助开发者理解配置和设置选项来协助这一领域，但同时警告不正确的提示可能导致错误。文章提出了一个使用 RJSF 和 JSON Schema 的实验性解决方案，作为创建动态 UI 进行配置的一种方式，并以 Fluent Bit 插件模式为例。