json-schema
PulseAugur coverage of json-schema — every cluster mentioning json-schema across labs, papers, and developer communities, ranked by signal.
- used by chat completions 80%
- instance of Zod 70%
- instance of Infrainguinal vein graft stenosis 70%
- used by application programming interface 70%
- used by Zod 70%
- used by ShapeCraft 70%
- used by Infrainguinal vein graft stenosis 70%
- uses Javascript 70%
- used by Apify 70%
- uses Apify 70%
- used by Javascript 70%
- instance of chat completions 60%
19 天有情绪数据
-
AWS 推出 Amazon Textract Insights,支持文档的可验证生成式AI
AWS 宣布其 Amazon Textract 服务的新生成式AI功能 Amazon Textract Insights 正式可用。该功能允许用户用自然语言描述他们从文档中需要的数据,系统将以可验证的置信分数和页面级定位信息提取这些数据。它旨在处理复杂的混合文档包,例如包含各种表格和手写笔记的抵押贷款申请,通过自动拆分和分类它们。
-
API Evangelist Daily:AI代理、API管理和广告捆绑
API Evangelist 2026年11月18日的每日通讯重点介绍了APIs.io和API Evangelist的最新进展。主题包括将JSON Schema与OpenLint捆绑用于广告,API提供商的可发现性重要性,以及使用Azure DevOps自动化软件构建。该通讯还包含APIs.io的更新,例如AuthMind对AI代理身份可观测性的关注,以及在Microsoft Foundry上使用Azure API Managemen…
-
如何将OpenAPI规范转换为MCP服务器以供AI代理使用
模型上下文协议(MCP)是一个开放标准,使AI代理能够通过API与外部系统进行交互。本文详细介绍了如何将OpenAPI规范转换为MCP服务器,强调了最佳实践而非直接的端点到工具映射。关键建议包括根据用户任务选择端点,将它们分组为具有清晰描述的面向任务的工具,供AI模型使用,并在MCP服务器端实施安全措施,如输入验证和速率限制。
-
微调后LLM在日语临床NER任务上优于BERT
一项新近发表在arXiv上的研究比较了BERT模型和开放权重大型语言模型(LLMs)在细粒度日语临床命名实体识别任务上的性能。研究发现,尽管BERT基线模型在零样本场景下表现强劲,但经过充分参数量和输出令牌限制微调的LLMs显著优于BERT。研究还表明,像JSON Schema这样的输出结构约束对LLM的准确性影响有限,并且通用LLMs相对于专门的医疗模型并未显示出一致的优势。
-
AI工具模式设计用于股票市场数据,强调清晰度和精确性
本文详细介绍了股票市场数据的工具模式设计,强调模型交互中的清晰度和精确性。文章提出使用Python和JSON Schema创建一个只读的MCP服务器,该服务器清晰地定义了工具名称、输入约束和带有来源结构化输出。目标是通过确保工具定义是模型唯一参考的文档来最大限度地减少模型错误,从而防止对金融数据的误解并提高AI生成的金融见解的准确性。
-
AI代理在臃肿的上下文中浪费Token,增加成本并降低性能
AI代理的性能和成本在很大程度上取决于其上下文窗口的管理效率。与单次提示不同,AI代理在每次交互时都会重新发送其整个工作上下文,这使得低效率随着时间的推移变得代价高昂。消耗Token的关键因素包括广泛的工具定义、重复或过时的工具结果、重新读取文件以及冗长的推理过程,所有这些都会稀释模型的注意力并增加运营费用。
-
LLM 评估工具:为准确性和细微差别选择合适的评分器
评估大型语言模型(LLM)应用需要一种细致入微的方法,超越像 BLEU 和 ROUGE 这样的简单指标,或仅仅依赖 LLM 判断。关键在于为每种特定类型的错误选择最合适且最具成本效益的评分方法,从规范答案的精确字符串匹配,到更复杂的嵌入相似性或针对细微响应的 LLM 判断。对于语音应用,专门的评分器对于处理诸如听错数字或时序等简单转录分析会丢失的问题至关重要。
-
MCP 服务器在处理用户请求之前会先消耗 Token 用于工具定义
使用 MCP(模型通信协议)框架的开发人员在 AI 模型处理用户请求之前,会无意中消耗大量的 Token。这主要是因为每次交互时,包括名称、描述和 JSON 模式在内的工具定义都会被发送给模型。运行多个 MCP 服务器或拥有大量的工具列表会加剧这个问题,导致成本增加,并可能降低模型的准确性。提供的 Python 脚本可以衡量这些 Token 成本,并帮助开发人员识别和削减臃肿的工具定义,以优化性能和效率。
-
Gemini 和 Claude 在 Dart 对象生成方面展示了不同的规则执行方式
一位开发者探讨了 Google 的 Gemini 和 Anthropic 的 Claude 模型在生成 Dart 对象时如何不同地处理 JSON Schema。该实验涉及使用单个 JSON Schema 来提示两个模型,揭示了它们在规则执行和输出结构方面的差异。这凸显了在代码生成任务中实现跨模型一致行为所面临的挑战。
-
规范驱动开发:重要的API规范格式
本文详细介绍了在规范驱动开发中,尤其是在应用程序编程接口(API)方面,规范的重要性与结构。作者提倡一种全面的规范格式,解释了每个部分的用途,并分享了因忽视这一实践而导致的个人项目挫折经历。文章重点介绍了OpenAPI、Swagger、JSON Schema、AsyncAPI、GraphQL、gRPC和Protocol Buffers等各种规范标准,认为它们是有效API开发的关键工具。
-
A2A协议实现AI代理间通信标准化
A2A(Agent2Agent)协议是一项开放规范,旨在使独立的AI代理能够相互发现、委托任务和交换数据。它将每个代理视为一个黑箱,抽象了底层模型和框架。A2A与模型上下文协议(MCP)的区别在于,A2A侧重于代理间的通信,而非代理与其工具的连接。该协议采用三层架构,支持JSON-RPC、gRPC和HTTP+JSON等多种传输绑定,代理通过Agent Card宣传其能力。
-
WebMCP 规范使 AI 代理能够直接使用网页功能
W3C Web Machine Learning Community Group 正在推出一项名为 WebMCP 的新草案规范,旨在使网页能够直接向 AI 代理公开其功能。这种方法允许代理调用在网页中注册为“工具”的 JavaScript 函数,从而绕过了抓取或模拟点击的需要。Control Plane 计划在 2026 年 12 月之前将 WebMCP 集成到其控制台中,使 AI 代理能够与所有控制台功能进行交互。
-
AI 代理工具调用参数通过自定义 JSON Schema 检查器进行验证
一位开发者为 AI 代理中的工具调用参数创建了一个自定义验证器,特别是针对 MCP 规范。该验证器使用 Node.js 编写,并使用 JSON Schema 的子集,旨在防止代理执行具有不正确或恶意输入的函数。该工具检查常见错误,如数据类型不正确、枚举值无效、新增参数以及潜在的有害路径操作,确保参数在执行前严格符合模式。
-
MuleSoft与Agent Fabric集成以处理发票异常
本文详细介绍了MuleSoft平台与Agent Fabric系统集成的情况,重点关注其如何处理发票异常。文章概述了不同层级组件的映射,包括使用MCP连接器公开工具以及使用Omni Gateway管理流量。该构建目前仅为文档形式,特别关注了命名错误、协议版本和代理网络中的代理。
-
LLM 输出需要 JSON Schema 以实现可靠的 CRM 集成
作者提倡使用 JSON Schema 来验证大型语言模型 (LLM) 的输出,特别是针对客户关系管理 (CRM) 系统。这种方法确保了 LLM 生成的数据符合关于标签集、值类型、必需字段和不确定性表示的预定义规则,从而在 LLM 和下游流程之间建立可靠的契约。与简单的提示解析相比,这种方法被认为是一种更健壮的替代方案,因为提示解析在处理 LLM 输出的变体时可能不稳定且容易出错。
-
AI结构化输出在格式上可能准确,但在内容上可能是错误的
Ahmadreza Samadi 的文章强调了结构化AI输出与事实准确性之间的关键区别。文章使用一个名为 Noor 的虚构角色场景,说明了AI模型如何生成完美符合JSON模式但仍包含不正确或不受支持信息的响应。作者强调,虽然JSON模式强制执行确保了格式,但它不能保证数据的真实性,并提倡一个多阶段的验证过程,包括与原始来源和业务规则进行核对。
-
精确的模式可提高 AI 代理工具的可靠性
代理工具中松散的输入模式可能导致将无效参数发送到上游 API,从而引发运行时错误。精确的 JSON 模式(镜像上游 API 的约束)为模型提供了构建参数的清晰指导。这种紧密的模式允许在工具边界进行验证,本地捕获错误并向模型提供具体反馈以进行纠正,最终提高代理工具调用的可靠性。
-
LLM 标签:JSON Schema 提供可靠的合同而非提示解析
本文提倡在将大型语言模型 (LLM) 集成到分类管道中时,使用 JSON Schema 结构化输出来完成诸如数据标记之类的任务。作者认为,与传统的提示解析相比,使用预定义的模式可以为 LLM 和下游应用程序之间提供更可靠、更易于解析的合同。这种方法确保 LLM 的输出符合特定结构,从而简化了集成,并减轻了开发人员解析非结构化文本的负担。文章强调,虽然模式控制着输出的形状,但开发人员仍必须实施自己的验证和评估,以确保业务逻辑得到正确应用。
-
付费工具集成探测揭示计费状态跟踪漏洞
对一个付费集成的探测揭示了计费状态跟踪方面的一个关键漏洞。即使工具调用成功且未产生费用,底层系统仍可能产生费用。这是因为计费结果由服务器逻辑决定,而非模式的默认值。探测表明,MCP交互的完整记录不足以区分收费和未收费的操作,因为计费账本独立运行,即使稍后发生错误或超时也可能记录费用。
-
LLM 使用语法约束生成有效的 JSON 输出
通过一种称为语法约束解码的技术,大型语言模型可以被引导生成有效的结构化输出,例如 JSON。该方法将 JSON 模式编译成上下文无关文法,然后在推理过程中驱动下推自动机。在每一步,自动机会将模型的选择限制在仅那些能保持结构有效性的标记上,从而有效地防止诸如缺少大括号、类型不正确或幻觉枚举值之类的错误。这种方法确保模型能够生成完美的工具调用,而无需事后修复。