Žebříček 8 knihoven pro strukturovaný výstup LLM: JSON, který funguje

Nejlepší knihovnu pro strukturovaný výstup LLM byste si neměli vybírat celý týden. S většinou těchto nástrojů jsme stavěli produkční systémy a máme jasno v tom, které stojí za váš čas. Tento žebříček pokrývá všech osm hlavních možností — od jasné jedničky po specializované enginy, které využijete jen v konkrétních situacích. Jste ve strukturovaném výstupu noví? Začněte naším kompletním průvodcem strukturovaným výstupem LLM.

Náš žebříček na první pohled

Teď si podrobně rozebereme, proč si každý nástroj zasloužil své místo.

č. 1: Instructor — jasná volba

Instructor je s velkým náskokem nejoblíbenější knihovna pro strukturovaný výstup: přes 12K hvězdiček na GitHubu, více než 3M stažení z PyPI měsíčně a obrovský ekosystém příkladů, tutoriálů a integrací. První místo si zasloužil proto, že svou hlavní úlohu — získat z LLM typovaná a validovaná data — plní lépe a spolehlivěji než cokoli jiného.

Co je skvělé

API je krásně jednoduché. Ozdobíte existujícího klienta poskytovatele (OpenAI, Anthropic, Gemini, Ollama nebo kteréhokoli z 15+ dalších), definujete Pydantic model a zavoláte client.chat.completions.create() s parametrem response_model=YourModel. To je vše. Instructor se postará o generování JSON schématu, parsování odpovědi a — to je ta killer funkce — automatické opakování s反馈em validačních chyb. Když LLM vyprodukuje nevalidní výstup, Instructor mu validační chyby pošle zpět, aby se model mohl opravit. Ve většině případů to napoprvé vyjde na druhý pokus.

Částečné streamování přes Partial[Model] je další standout. Můžete streamovat částečně vyplněné Pydantic objekty, jak přicházejí tokeny, což je nezbytné pro real-time UI zobrazující strukturovaná data. Podpora více poskytovatelů přes přímé integrace nebo LiteLLM znamená, že nikdy nejste připoutáni k jedinému vendorovi.

Co je slabší

Jde o runtime přístup. Neexistuje žádná compile-time kontrola typů vašeho schématu vůči tomu, co LLM skutečně vrátí — chyby odhalíte až za běhu. Také jste těsně svázáni s Pydanticem, což je v pořádku, pokud ho už používáte (většina pythonových AI projektů ano), ale pokud ne, přidává to koncepční závislost. Knihovna také nedokáže opravit zásadně rozbitý výstup LLM — pokud model vrátí JSON zabalený do markdownu nebo řetězec úvah (chain-of-thought) před strukturovanou odpovědí, striktní JSON parser Instructoru se zakucká. Přesně tu mezeru vyplňuje BAML.

Cena

Zcela zdarma a open-source (licence MIT). Platíte pouze za volání LLM API. Žádný hostovaný tier, žádné prémiové funkce za paywallem.

Pro koho se hodí

Jakýkoli pythonový tým, který potřebuje spolehlivý strukturovaný výstup z LLM. Sóloví vývojáři, startupy, enterprise — Instructor roste s vámi. Pokud nevíte, kterou knihovnu vybrat, tohle je odpověď.

Verdikt: č. 1, protože má nejlepší ekosystém, nejjednodušší API a vyřeší 90 % potřeb strukturovaného výstupu. Začněte tady, pokud nemáte konkrétní důvod nezačít.

č. 2: Vercel AI SDK — standard pro TypeScript

Vercel AI SDK je pro TypeScript tím, čím je Instructor pro Python. Jeho funkce generateObject() a streamObject() přijímají Zod schémata a vracejí plně typované objekty. Pokud stavíte cokoli v TypeScriptu nebo Next.js, tohle je jasná volba.

Co je skvělé

Integrace s ekosystémem TypeScriptu je hladká. Zod tu hraje stejnou roli jako Pydantic v Pythonu — je to validační vrstva schémat, která generuje JSON Schema z vašich TypeScript typů. Získáte plnou type inferenci, takže vaše IDE přesně ví, jaký tvar vrácený objekt má. SDK podporuje OpenAI, Anthropic, Google a 20+ dalších poskytovatelů přímo z krabice a streamování je skvělé pro stavbu real-time UI s React Server Components.

Záleží i na širším ekosystému. Nejde jen o nástroj na strukturovaný výstup — je to dominantní AI SDK pro TypeScript s těsnými hooky na Next.js server actions, streamované odpovědi a tool calling. Váš kód pro strukturovaný výstup se přirozeně integruje se zbytkem vaší AI aplikace.

Co je slabší

Je to pouze pro TypeScript. Pokud máte backend v Pythonu (což je většina ML/AI infrastruktury), budete tam potřebovat samostatné řešení. Logika opakování není tak propracovaná jako u Instructoru — automatické re-promptování s validačními chybami přímo z krabice nedostanete. A ačkoli Zod schémata pokrývají většinu případů užití, velmi komplexní vnořená schémata s podmínkovou logikou mohou být oproti Pydantic modelům upovídaná.

Cena

Zdarma a open-source (Apache 2.0). Žádný prémiový tier.

Pro koho se hodí

TypeScript a Next.js vývojáři. Pokud je váš stack JavaScript/TypeScript odshora dolů, opravdu není důvod hledat pro strukturovaný výstup jinde.

Dvě alternativy, o kterých stojí za to vědět: Instructor-TS přenáší vzor API Instructoru do TypeScriptu, pokud preferujete tento styl. BAML-TS generuje TypeScript klienty z BAML schémat — správná volba, když váš tým používá Python i TypeScript a chce jedinou definici schématu.

Verdikt: č. 2, protože je to bezkonkurenční leader pro TypeScript s vynikajícím streamováním, širokou podporou poskytovatelů a těsnou integrací s Next.js.

č. 3: BAML — mezijazyková velmoc

BAML od BoundaryML přistupuje k věci zásadně jinak než vše ostatní v tomto seznamu. Píšete .baml soubory schémat v účelově vytvořeném DSL a pak generujete typované klienty pro Python, TypeScript, Ruby, Javu, Go a Rust. Představte si Prismu pro strukturovaný výstup LLM.

Co je skvělé

Vlajkovou funkcí je Schema-Aligned Parsing (SAP). Zatímco Instructor spoléhá na striktní JSON parsování, BAML zvládá nepořádnou realitu výstupů LLM — markdown vložený do JSONu, chain-of-thought úvahy před strukturovanou odpovědí, nadbytečné mezery, trailing commas a další zvláštnosti, které rozbijí json.loads(). Podle našich zkušeností na tom záleží víc, než byste čekali. LLM jsou nedbalá a BAML je postavené tak, aby tu nedbalost zvládalo s grácií.

Generování kódu znamená plné IDE autocomplete a zachycení chyb při kompilaci napříč všemi podporovanými jazyky. Pokud máte pythonový backend a TypeScript frontend, definujete schéma jednou v BAML a získáte type-safe klienty pro oba. To je s jakýmkoli jiným nástrojem opravdu těžké napodobit.

Co je slabší

Potřebujete build krok. Spuštění baml-cli generate předtím, než váš kód může použít vygenerované klienty, přidává tření, zejména při rychlém prototypování. DSL je další věc k naučení — není složitá, ale není to ani Pydantic nebo Zod. Komunita a ekosystém jsou menší než u Instructoru (5K+ vs. 12K+ hvězdiček), takže najdete méně tutoriálů a odpovědí na Stack Overflow. A pokud jste čistě pythonový tým s jedním jazykem, mezijazykový přínos vám nepomůže.

Cena

Zdarma a open-source (Apache 2.0). BoundaryML nabízí hostované hřiště a testovací nástroje, ale základní knihovna je zdarma.

Pro koho se hodí

Týmy pracující napříč více jazyky, které chtějí jediný zdroj pravdy pro svá LLM schémata. Také silná volba, pokud jsou vaše výstupy LLM nepořádné a striktní JSON parsování Instructoru nestačí.

Verdikt: č. 3, protože mezijazykový příběh a flexibilní parsování jsou opravdu unikátní. Tření build kroku mu brání předstihnout Instructor u týmů s jedním jazykem.

č. 4: Pydantic AI — strukturovaný výstup potkává agenty

Pydantic AI je oficiální agentický framework od týmu Pydantic — stejných lidí, kteří stojí za validační knihovnou pohánějící Instructor a většinu pythonového LLM toolingu. Strukturovaný výstup tu není doplněk; je to základní primitivum zabudované do každého agenta.

Co je skvělé

Pokud stavíte AI agenty, kteří potřebují typované návratové hodnoty spolu s tool callingem, dependency injection a komplexními workflow, vše žije pod jednou střechou. Agenti vracejí typované Pydantic modely s automatickou validací a re-promptováním napříč 20+ poskytovateli. Framework zahrnuje streamování, grafová workflow a testovací příběh, který většině agentických frameworků chybí.

Záštita týmu Pydantic mu dodává důvěryhodnost a dlouhodobou perspektivu. Jsou to lidé, kteří validaci rozumí lépe než kdokoli v pythonovém ekosystému, a je to vidět na tom, jak se vrstva strukturovaného výstupu integruje se vším ostatním.

Co je slabší

Pydantic AI je širší než knihovna pro strukturovaný výstup, což je zároveň jeho síla i slabost. Pokud potřebujete jen extrahovat typovaná data z volání LLM, Instructor to zvládne na méně řádků s menším koncepčním overheadem. Agentická abstrakce Pydantic AI je stroj navíc, který pro jednoduché extrakční úlohy nepotřebujete. Knihovna vyšla koncem roku 2025, takže ekosystém stále dozrává — méně integrací, méně příkladů, méně produkčních nasazení prověřených bojem ve srovnání s Instructorem.

Cena

Zdarma a open-source (licence MIT). Logfire (observability platforma Pydanticu) je placený doprovodný produkt, ale zcela volitelný.

Pro koho se hodí

Týmy stavící systémy AI agentů v Pythonu, kde je strukturovaný výstup jedním z mnoha témat (nástroje, paměť, workflow). Pokud už plánujete použít agentický framework, Pydantic AI vám dá strukturovaný výstup zdarma.

Verdikt: č. 4, protože je to nejlepší volba pro architektury postavené na agentech, ale kanón na vrabce, pokud potřebujete jen strukturovanou extrakci.

č. 5: XGrammar — neviditelný engine

XGrammar funguje na zcela jiné vrstvě než vše výše. Zatímco Instructor a BAML pracují poté, co LLM vygeneruje tokeny (validuj a opakuj), XGrammar pracuje během generování tokenů — maskuje nevalidní tokeny, takže model fyzicky nemůže vyprodukovat chybný výstup. Je to výchozí backend řízeného dekódování (constrained decoding) pro vLLM, SGLang a TensorRT-LLM.

Co je skvělé

Strukturovaný výstup s nulovým overheadem. Díky rozdělení slovníku (vocabulary partitioning) a adaptivnímu cachování masek tokenů dosahuje XGrammar až 100násobného zrychlení oproti starším přístupům řízeného dekódování. Model vyprodukuje validní JSON na první průchod, pokaždé — žádné opakování, žádné promrhané tokeny. Podporuje JSON Schema, regex i EBNF gramatiky, takže pokryje téměř jakýkoli formát výstupu, který byste potřebovali.

Pokud provozujete self-hosted LLM na vLLM nebo SGLang, už XGrammar používáte, ať o tom víte, nebo ne. Je to vestavěný gramatický engine.

Co je slabší

Nemůžete ho použít s API poskytovateli jako OpenAI nebo Anthropic — jde výhradně o technologii na úrovni inferenčního serveru. Neexistuje přímé Python API pro příležitostné použití; je navržen k zabudování do serving frameworků, ne k volání z aplikačního kódu. A řízené dekódování může u komplexních schémat někdy snížit kvalitu výstupu, protože model nemůže před strukturováním odpovědi volně „přemýšlet".

Cena

Zdarma a open-source (Apache 2.0).

Pro koho se hodí

Infrastrukturní inženýři provozující self-hosted LLM na vLLM, SGLang nebo TensorRT-LLM, kteří potřebují zaručený strukturovaný výstup s nulovým latencním overheadem.

Verdikt: č. 5, protože je to nejrychlejší cesta ke strukturovanému výstupu ze self-hosted modelů, ale irelevantní, pokud používáte hostované API poskytovatele.

č. 6: Outlines — hackovatelná alternativa

Outlines od dottxt je pythonová knihovna řízeného dekódování používající maskování tokenů na bázi FSM. Kompiluje schémata do indexových struktur pro O(1) vyhledání validního tokenu v každém generačním kroku.

Co je skvělé

Pokud chcete Python API, které můžete skutečně volat z aplikačního kódu, je mnohem přístupnější než XGrammar. Můžete experimentovat s vlastními gramatikami, regex vzory a JSON Schema omezeními přímo v pythonovém skriptu. Funguje s transformers, vLLM i llama.cpp, takže máte flexibilitu napříč serving frameworky. Přes 10K hvězdiček na GitHubu a aktivní komunita znamenají dobrou dokumentaci a podporu.

Co je slabší

Pro produkční inferenční zátěže je pomalejší než XGrammar (C++/Rust implementace XGrammaru a rozdělení slovníku mu dávají výraznou převahu). Pokud už používáte vLLM nebo SGLang, XGrammar je vestavěný — přidání Outlines je extra závislost, která je pomalejší. Knihovna se nejlépe hodí pro experimentování a případy s vlastními gramatikami spíše než pro vysokopropustný produkční serving.

Cena

Zdarma a open-source (Apache 2.0). dottxt nabízí hostované API, ale knihovna samotná je zdarma.

Pro koho se hodí

Výzkumníci a vývojáři, kteří chtějí pythonovou knihovnu řízeného dekódování pro experimentování, vlastní gramatiky nebo prototypování self-hosted LLM.

Verdikt: č. 6, protože je to nejpřístupnější knihovna řízeného dekódování, ale XGrammar ji poráží u produkčních self-hosted nasazení.

č. 7: LiteLLM — univerzální adaptér

LiteLLM není knihovna pro strukturovaný výstup jako taková — je to jednotná proxy, která vám dá OpenAI-kompatibilní API napříč 100+ poskytovateli. Ale místo v tomto seznamu si zaslouží, protože kombinace LiteLLM s Instructorem je jedním z nejvýkonnějších setupů pro strukturovaný výstup, které existují.

Co je skvělé

Jedno API pro všechno. OpenAI, Anthropic, Gemini, Mistral, Cohere, Azure, Bedrock, Ollama a desítky dalších — vše přes stejný volání completion(). Protože Instructor podporuje LiteLLM jako backend, získáte automatické opakování a Pydantic validaci napříč každým poskytovatelem, kterého LiteLLM podporuje. Obsahuje také sledování nákladů, load balancing, rate limiting a režim proxy serveru pro týmové použití.

Co je slabší

Přidává vrstvu abstrakce, která může ztížit debugování. Když se něco pokazí, diagnostikujete přes dvě knihovny místo jedné. LiteLLM také sám o sobě strukturovaný výstup neřeší — stále potřebujete Instructor (nebo ruční práci s JSON Schema) navrch. A matice kompatibility poskytovatelů není vždy dokonalá; okrajové případy s novějšími poskytovateli nebo funkcemi mohou zaostávat.

Cena

Zdarma a open-source jádro. LiteLLM nabízí hostovanou proxy s funkcemi pro správu týmu, ale knihovna je zdarma.

Pro koho se hodí

Týmy, které používají více poskytovatelů LLM a chtějí se vyhnout vendor lock-inu. Spárujte ho s Instructorem pro nejlepší zkušenost se strukturovaným výstupem napříč více poskytovateli. Pro širší rozhodování o stacku viz náš průvodce AI stackem pro SaaS.

Verdikt: č. 7, protože je to lepící vrstva, ne vrstva strukturovaného výstupu. Nezbytný pro setupy s více poskytovateli, ale vždy používaný spolu s Instructorem.

č. 8: Marvin — nástroj na rychlé prototypy

Marvin nabízí nejjednodušší API pro strukturovaný výstup v pythonovém ekosystému: cast(), extract() a classify(). Předáte data a typ a Marvin se postará o zbytek.

Co je skvělé

Začít je směšně rychlé. Deset řádků kódu vám dá funkční strukturovanou extrakci. API je tak intuitivní, že dokumentaci skoro nepotřebujete. Pro prototypování, dema a rychlé skripty není nic rychlejšího.

Co je slabší

Je primárně jen pro OpenAI, což je pro produkční setupy s více poskytovateli dealbreaker. Jednoduché API, které dělá prototypování rychlým, se stává omezujícím, když potřebujete vlastní logiku opakování, částečné streamování nebo komplexní validaci. Projekt je méně aktivně vyvíjený ve srovnání s Instructorem a BAML a ekosystém kolem něj je malý.

Cena

Zdarma a open-source (Apache 2.0).

Pro koho se hodí

Vývojáři, kteří potřebují strukturovanou extrakci funkční do pěti minut pro prototyp, demo nebo interní nástroj, kde je OpenAI jediným poskytovatelem.

Verdikt: č. 8, protože vyměňuje schopnosti za jednoduchost. Perfektní na prototypování, ale rychle z něj vyrostete.

Potřebujete vůbec knihovnu pro strukturovaný výstup?

Upřímná odpověď: možná ne. Nativní SDK poskytovatelů se překvapivě vyšvihla.

.parse() od OpenAI se Strict Mode garantuje 100% shodu s JSON Schema. output_config od Anthropicu podporuje JSON Schema přímo. Google Gemini má response_schema. Pokud jste připoutáni k jednomu poskytovateli, pracujete s jednoduchými plochými schématy a nepotřebujete logiku opakování ani částečné streamování, nativní SDK opravdu stačí. Nula extra závislostí.

Knihovnu potřebujete, když jde do tuhého: podpora více poskytovatelů (abyste nebyli zamčeni), automatické opakování s validační zpětnou vazbou (LLM vidí, co udělalo špatně), částečné streamování vnořených objektů nebo komplexní schémata vyžadující mezijazykovou type safety. A pokud vás zajímá, jak function calling souvisí se strukturovaným výstupem, tyto přístupy se doplňují — strukturovaný výstup pro extrakci dat, function calling pro akce.

Verdikt: Pokud používáte jednoho poskytovatele s jednoduchými schématy, začněte s nativním SDK. Instructor nebo BAML přidejte, až narazíte na jeho limity.

Proč Techsy volí Instructora jako č. 1

Napříč klientskými projekty jsme nasadili produkční pipeliny strukturovaného výstupu s Instructorem, BAML i Vercel AI SDK. Tady je, proč u nás Instructor pořád vyhrává:

1. Nejrychlejší cesta k funkčnímu kódu. Nový vývojář v týmu přidá endpoint pro strukturovanou extrakci za méně než hodinu. U BAML přidá křivka učení DSL a build krok celý den.
2. Smyčka opakování je kouzlo. Automatické opakování Instructoru s validační zpětnou vazbou se zotaví ze špatných výstupů LLM bez jakéhokoli vlastního kódu pro zpracování chyb. Podle našich zkušeností se míra zotavení opakováním drží nad 95 % u schémat do 15 polí.
3. Flexibilita poskytovatelů v praxi záleží. V rámci stejného projektu pravidelně přepínáme mezi OpenAI (pro rychlost), Anthropicem (pro komplexní uvažování) a lokálními modely (pro náklady). Instructor + LiteLLM to dělá triviálním.
4. Ekosystém odpovídá na vaše otázky. Když narazíme na okrajový případ, téměř vždy existuje příklad, GitHub issue nebo blogový příspěvek, který ho pokrývá. BAML a Pydantic AI dotahují, ale náskok Instructoru je reálný.

To řečeno, na mezijazykové projekty přepínáme na BAML a na Pydantic AI, když je projekt silně agentický. Neexistuje univerzální odpověď, jen solidní výchozí volba.

Jak si vybrat? Rozhodovací rámec

Najděte svůj řádek a máte hotovo.

Potřebujete něco na míru?

Pokud stavíte AI produkt a nejste si jisti, jak strukturovaný výstup zapadá do vaší architektury, nebo potřebujete pomoct s výběrem mezi těmito nástroji pro konkrétní případ užití, přesně takový problém řešíme. Postavili jsme pipeliny strukturovaného výstupu pro extrakci, klasifikaci a vícekrokové agentické systémy napříč různými poskytovateli LLM. Podívejte se na naše služby AI integrací. Ozvěte se pro bezplatnou technickou konzultaci.

FAQ

Jaká je nejlepší knihovna pro strukturovaný výstup LLM?

Pro Python je naší jedničkou Instructor — má největší ekosystém, nejširší podporu poskytovatelů a nejjednodušší API. Pro TypeScript je jasným leaderem Vercel AI SDK se Zod schématy. Správná volba závisí na vašem jazyce, potřebách poskytovatelů a na tom, zda stavíte agenty, nebo děláte extrakci.

Mám pro strukturovaný výstup použít Instructor, nebo BAML?

Instructor pro rychlé nastavení a největší ekosystém. BAML, pokud pracujete napříč více jazyky (Python + TypeScript + další) a chcete jedinou definici schématu, nebo pokud jsou vaše výstupy LLM nepořádné a potřebují flexibilní Schema-Aligned Parsing BAMLu spíše než striktní JSON validaci.

Je Instructor lepší než nativní strukturovaný výstup OpenAI?

Nativní .parse() od OpenAI se Strict Mode funguje skvěle pro setupy s jedním poskytovatelem a jednoduchými schématy. Instructor přidává hodnotu přes automatické opakování s validační zpětnou vazbou, částečné streamování, podporu více poskytovatelů a komplexní vnořenou validaci. Pokud používáte jen OpenAI a vaše schémata jsou plochá, nativní SDK opravdu stačí.

Co je Pydantic AI a jak si stojí oproti Instructoru?

Pydantic AI je agentický framework od týmu Pydantic, kde je strukturovaný výstup zabudované primitivum, ne jediný fokus. Instructor je laserově zaměřený na extrakci — definujte model, získejte typovaný výstup. Zvolte Pydantic AI, když potřebujete agenty s nástroji, dependency injection a strukturovaným výstupem pracující společně. Zvolte Instructor, když potřebujete jen spolehlivou typovanou extrakci.

Jak Vercel AI SDK řeší strukturovaný výstup?

Přes funkce generateObject() a streamObject(), které přijímají Zod schémata. Definujete Zod schéma, předáte ho funkci spolu s promptem a získáte zpět plně typovaný objekt. Podporuje 20+ poskytovatelů včetně OpenAI, Anthropicu a Googlu, s vestavěným streamováním částečných objektů pro real-time UI.

Co je XGrammar a kdy ho použít?

XGrammar je engine řízeného dekódování — funguje na úrovni inferenčního serveru a garantuje strukturovaný výstup maskováním nevalidních tokenů během generace. Použijte ho, pokud provozujete self-hosted LLM na vLLM, SGLang nebo TensorRT-LLM. Už je do těchto serverů zabudovaný jako výchozí gramatický backend. XGrammar nepoužíváte s API poskytovateli, jako je OpenAI.

Jak si Outlines stojí oproti XGrammaru?

Outlines je pythonová knihovna s přímým API; XGrammar je C++/Rust engine zabudovaný v inferenčních serverech. Outlines je přístupnější pro experimentování a vlastní gramatiky. XGrammar je rychlejší (až 100× díky rozdělení slovníku) a už integrovaný v produkčních inferenčních stackech. Pro produkční nasazení vLLM je XGrammar výchozí volbou. Pro výzkum a prototypování vám Outlines dá větší kontrolu.

Můžu Instructor používat s Anthropicem a Gemini?

Ano. Instructor podporuje přímo 15+ poskytovatelů včetně Anthropic Claude, Google Gemini, Ollamy, Mistralu a Cohere. Pro poskytovatele bez přímé podpory můžete směrovat přes LiteLLM, které dá Instructoru přístup ke 100+ poskytovatelům přes jednotné OpenAI-kompatibilní API.

Jaká je nejlepší TypeScript knihovna pro strukturovaný výstup LLM?

Vercel AI SDK. Má největší AI ekosystém pro TypeScript, nativní podporu Zod schémat, streamování částečných objektů a funguje s 20+ poskytovateli. Instructor-TS je solidní alternativou, pokud preferujete vzor API Instructoru. BAML-TS je volbou pro týmy, které sdílejí definice schémat mezi pythonovými a TypeScriptovými službami.

Potřebuji knihovnu pro strukturovaný výstup, nebo si vystačím s nativním API?

Nativní API (OpenAI Strict Mode, Anthropic output_config, Gemini response_schema) fungují dobře pro setupy s jedním poskytovatelem a jednoduchými schématy. Po knihovně byste měli sáhnout, když potřebujete podporu více poskytovatelů, automatické opakování s validační zpětnou vazbou, streamování částečných objektů nebo mezijazykovou type safety. Knihovna přidává tenkou vrstvu, která se zaplatí hned poprvé, co LLM vrátí chybný výstup a vaše aplikace ho zvládne s grácií místo pádu.

Zdroje

• Dokumentace Instructoru
• Dokumentace BAML
• Dokumentace Pydantic AI
• Dokumentace Vercel AI SDK
• Dokumentace XGrammaru
• Dokumentace Outlines
• Dokumentace LiteLLM