8 LLM structured output-biblioteker rangert: JSON som faktisk virker

Å velge det beste LLM structured output-biblioteket bør ikke ta en uke med research. Vi har bygget produksjonssystemer med de fleste av disse verktøyene, og vi har sterke meninger om hvilke som er verdt tiden din. Denne rangerte listen dekker alle åtte store alternativer -- fra den åpenbare no. 1-plassen til nisjemotorer du bare vil trenge i spesifikke situasjoner. Ny med strukturerte utdata? Begynn med vår komplette guide til LLM structured outputs først.

Rangeringen vår i et blikk

Nå skal vi bryte ned nøyaktig hvorfor hvert verktøy fortjente plassen sin.

no. 1: Instructor -- Standardvalget

Instructor er det mest populære structured output-biblioteket med bred margin: 12K+ GitHub-stjerner, 3M+ månedlige PyPI-nedlastinger og et enormt økosystem av eksempler, opplæringer og integrasjoner. Det fortjente topp plassen fordi det gjør kjernejobben -- å hente typede, validerte data ut av LLM-er -- bedre og mer pålitelig enn noe annet.

Hva som er bra

API-et er vakkert enkelt. Du dekorerer en eksisterende leverandørklient (OpenAI, Anthropic, Gemini, Ollama, eller noen av 15+ andre), definerer en Pydantic-modell, og kaller client.chat.completions.create() med response_model=YourModel. Det er alt. Instructor håndterer JSON Schema-generering, responsparising og -- dette er dreper-funksjonen -- automatiske nye forsøk med valideringsfeiltilbakemelding. Når LLM-en produserer ugyldig utdata, sender Instructor valideringsfeilene tilbake slik at modellen kan fikse seg selv. Mesteparten av tiden får den det riktig på andre forsøk.

Delvis strømming via Partial[Model] er et annet fremhevet trekk. Du kan strømme delvis fylte Pydantic-objekter etter hvert som tokens ankommer, noe som er essensielt for sanntids-UI-er som viser strukturerte data. Multi-leverandørstøtte gjennom direkte integrasjoner eller LiteLLM betyr at du aldri er låst til én enkelt leverandør.

Hva som ikke er bra

Det er en runtime-tilnærming. Det er ingen kompileringstidstypekontroll av skjemaet ditt mot hva LLM-en faktisk vil returnere -- du finner feil ved kjøretid. Du er også tett koblet til Pydantic, noe som er greit hvis du allerede bruker det (de fleste Python AI-prosjekter gjør det), men legger til en konseptuell avhengighet hvis du ikke gjør det. Biblioteket kan heller ikke fikse fundamentalt ødelagte LLM-utdata -- hvis modellen returnerer markdown-innpakket JSON eller chain-of-thought-resonnement før den strukturerte responsen, vil Instructors strenge JSON-parser stoppe. Det er nøyaktig gapet BAML fyller.

Prising

Helt gratis og åpen kildekode (MIT-lisens). Du betaler kun for dine LLM API-anrop. Ingen hostet nivå, ingen premiumfunksjoner bak en betalingsmur.

Hvem bør bruke det

Ethvert Python-team som trenger pålitelig strukturert utdata fra LLM-er. Enkeltutvikling, oppstartsbedrifter, bedrifter -- Instructor skalerer med deg. Hvis du er usikker på hvilket bibliotek du skal velge, er dette svaret.

Vurdering: no. 1 fordi det har det beste økosystemet, det enkleste API-et og løser 90% av structured output-behov. Begynn her med mindre du har en spesifikk grunn til ikke å gjøre det.

no. 2: Vercel AI SDK -- TypeScript-standarden

Vercel AI SDK er hva Instructor er for Python, men for TypeScript. Funksjonene generateObject() og streamObject() tar Zod-skjemaer og returnerer fullt typede objekter. Hvis du bygger noe i TypeScript eller Next.js, er dette det åpenbare valget.

Hva som er bra

Integrasjonen med TypeScript-økosystemet er sømløs. Zod spiller samme rolle her som Pydantic spiller i Python -- det er skjemavalideringslaget som genererer JSON Schema fra TypeScript-typene dine. Du får full typeinferens, slik at IDE-en din vet nøyaktig hvilken form det returnerte objektet har. SDK-et støtter OpenAI, Anthropic, Google og 20+ andre leverandører rett ut av boksen, og strømmingen er utmerket for å bygge sanntids-UI-er med React Server Components.

Det bredere økosystemet betyr også noe. Dette er ikke bare et structured output-verktøy -- det er det dominerende AI-SDK-et for TypeScript med tette kroker inn i Next.js server actions, strømmede responser og verktøyanrop. Den strukturerte utdata-koden din integreres naturlig med resten av AI-applikasjonen din.

Hva som ikke er bra

Det er TypeScript-only. Hvis backenden din er Python (som er det meste ML/AI-infrastruktur), trenger du en separat løsning der. Retry-logikken er ikke like sofistikert som Instructors -- du får ikke automatisk re-prompting med valideringsfeil rett ut av boksen. Og selv om Zod-skjemaer dekker de fleste brukstilfeller, kan svært komplekse nestede skjemaer med betinget logikk bli verbose sammenlignet med Pydantic-modeller.

Prising

Gratis og åpen kildekode (Apache 2.0). Ingen premiumtier.

Hvem bør bruke det

TypeScript og Next.js-utviklere. Hvis stacken din er JavaScript/TypeScript ende-til-ende, er det genuint ingen grunn til å se andre steder for strukturerte utdata.

To alternativer verdt å kjenne til: Instructor-TS porterer Instructor API-mønsteret til TypeScript hvis du foretrekker den stilen. BAML-TS genererer TypeScript-klienter fra BAML-skjemaer -- det rette valget når teamet ditt bruker både Python og TypeScript og vil ha én enkelt skjemadefinisjon.

Vurdering: no. 2 fordi det er den ubestridte TypeScript-lederen med utmerket strømming, bred leverandørstøtte og tett Next.js-integrasjon.

no. 3: BAML -- Flerspråklig kraftverk

BAML fra BoundaryML tar en fundamentalt annerledes tilnærming enn alt annet på denne listen. Du skriver .baml-schemafiler i et formålsbygd DSL, og genererer deretter typede klienter for Python, TypeScript, Ruby, Java, Go og Rust. Tenk Prisma for LLM structured output.

Hva som er bra

Den fremtredende funksjonen er Schema-Aligned Parsing (SAP). Der Instructor er avhengig av streng JSON-parsing, håndterer BAML den rotete virkeligheten av LLM-utdata -- markdown innebygd i JSON, chain-of-thought-resonnement før den strukturerte responsen, ekstra mellomrom, etterfølgende kommaer og andre særheter som knekker json.loads(). I vår erfaring betyr dette mer enn du forventer. LLM-er er uryddig, og BAML er bygget for å håndtere den uryddigheten elegant.

Kodegenerering betyr full IDE-autofullfør og kompileringstidsfeilretting på tvers av alle støttede språk. Hvis du har en Python-backend og en TypeScript-frontend, definerer du skjemaet én gang i BAML og får typesikre klienter for begge. Det er genuint vanskelig å replikere med noe annet verktøy.

Hva som ikke er bra

Du trenger et byggsteg. Å kjøre baml-cli generate før koden kan bruke de genererte klientene, legger til friksjon, spesielt ved rask prototyping. DSL-en er noe nytt å lære -- den er ikke komplisert, men den er ikke Pydantic eller Zod heller. Fellesskapet og økosystemet er mindre enn Instructors (5K+ stjerner vs 12K+), så du finner færre opplæringer og Stack Overflow-svar. Og hvis du er en enkeltspråklig Python-butikk, hjelper ikke flerspråk-fordelen deg.

Prising

Gratis og åpen kildekode (Apache 2.0). BoundaryML tilbyr en hostet lekeplass og testverktøy, men kjernebib­lioteket er gratis.

Hvem bør bruke det

Team som jobber på tvers av flere språk som vil ha én enkelt kilde til sannhet for LLM-skjemaene sine. Også et sterkt valg hvis LLM-utdataene dine er rotete og Instructors strenge JSON-parsing ikke holder.

Vurdering: no. 3 fordi flerspråk-historien og den fleksible parsingene er genuint unike. Byggsteg-friksjon holder den fra å overta Instructor for enkeltspråklige team.

no. 4: Pydantic AI -- Strukturerte utdata møter agenter

Pydantic AI er det offisielle agentramverket fra Pydantic-teamet -- de samme personene bak valideringsbiblioteket som driver Instructor og de fleste Python LLM-verktøy. Strukturert utdata er ikke et tillegg her; det er en kjerne-primitiv bakt inn i hver agent.

Hva som er bra

Hvis du bygger AI-agenter som trenger typede returverdier ved siden av verktøyanrop, avhengighetsinjeksjon og komplekse arbeidsflyter, lever alt under ett tak. Agenter returnerer typede Pydantic-modeller med automatisk validering og re-prompting på tvers av 20+ leverandører. Ramverket inkluderer strømming, grafbaserte arbeidsflyter og en testhistorie som de fleste agentramverk mangler. Se også vår beste function calling-biblioteker.

Pydantic-teamets støtte gir det troverdighet og holdbarhet. Disse er menneskene som forstår validering bedre enn noen i Python-økosystemet, og det vises i hvordan structured output-laget integreres med alt annet.

Hva som ikke er bra

Pydantic AI er bredere enn et structured output-bibliotek, noe som er både dens styrke og svakhet. Hvis du bare trenger å hente typede data fra et LLM-kall, gjør Instructor det med færre linjer og mindre konseptuell overhead. Pydantic AIs agentabstraksjon er ekstra maskineri du ikke trenger for enkle ekstrakssjonsoppgaver. Biblioteket ble lansert sent i 2025, så økosystemet modnes fortsatt -- færre integrasjoner, færre eksempler, færre kamptetstede produksjonsdistribusjoner sammenlignet med Instructor.

Prising

Gratis og åpen kildekode (MIT-lisens). Logfire (Pydantics observabilitetsplattform) er et betalt ledsagerprodukt men helt valgfritt.

Hvem bør bruke det

Team som bygger AI-agentsystemer i Python der strukturert utdata er én bekymring blant mange (verktøy, minne, arbeidsflyter). Hvis du allerede planlegger å bruke et agentramverk, gir Pydantic AI deg strukturert utdata gratis.

Vurdering: no. 4 fordi det er det beste alternativet for agentdominerte arkitekturer, men overkill hvis du bare trenger strukturert ekstraksjon.

no. 5: XGrammar -- Den usynlige motoren

XGrammar opererer på et helt annet lag enn alt ovenfor. Mens Instructor og BAML jobber etter at LLM-en genererer tokens (validerer og prøver på nytt), jobber XGrammar under token-generering, maskerer ugyldige tokens slik at modellen fysisk ikke kan produsere feilformaterte utdata. Det er standard constrained decoding-backend for vLLM, SGLang og TensorRT-LLM.

Hva som er bra

Null-overhead strukturert utdata. Gjennom vokabularpartisjonering og adaptiv token-maske-caching oppnår XGrammar opptil 100x akselerasjon over tidligere constrained decoding-tilnærminger. Modellen produserer gyldig JSON på første pass, hver gang -- ingen nye forsøk, ingen sløste tokens. Det støtter JSON Schema, regex og EBNF-grammatikker, og dekker nesten alle utdataformater du trenger.

Hvis du kjører selvhostede LLM-er på vLLM eller SGLang, bruker du allerede XGrammar enten du vet det eller ikke. Det er den innebygde grammatikkmotoren.

Hva som ikke er bra

Du kan ikke bruke det med API-leverandører som OpenAI eller Anthropic -- det er inferensserver-nivåteknologi bare. Det er ingen direkte Python-API for tilfeldig bruk; det er designet for å innbakes i betjenende rammeverk, ikke kalt fra applikasjonskode. Og constrained decoding kan noen ganger redusere utdatakvaliteten for komplekse skjemaer fordi modellen ikke kan "tenke" fritt før den strukturerer utdataene.

Prising

Gratis og åpen kildekode (Apache 2.0).

Hvem bør bruke det

Infrastrukturingeniører som kjører selvhostede LLM-er på vLLM, SGLang eller TensorRT-LLM som trenger garanterte strukturerte utdata med null latenssoverhead.

Vurdering: no. 5 fordi det er den raskeste måten å få strukturerte utdata fra selvhostede modeller, men irrelevant hvis du bruker hostede API-leverandører.

no. 6: Outlines -- Det hackbare alternativet

Outlines fra dottxt er et Python-nativt constrained decoding-bibliotek som bruker FSM-basert token-maskering. Det kompilerer skjemaer til indeksstrukturer for O(1) gyldig-token-oppslag per genereringssteg.

Hva som er bra

Det er langt mer tilgjengelig enn XGrammar hvis du vil ha et Python-API du faktisk kan kalle fra applikasjonskode. Du kan eksperimentere med egendefinerte grammatikker, regex-mønstre og JSON Schema-begrensninger direkte i et Python-skript. Det fungerer med transformers, vLLM og llama.cpp, slik at du har fleksibilitet på tvers av betjenende rammeverk. 10K+ GitHub-stjernene og det aktive fellesskapet betyr god dokumentasjon og støtte.

Hva som ikke er bra

Tregere enn XGrammar for produksjonsinferens-arbeidsbelastninger (XGrammars C++/Rust-implementering og vokabularpartisjonering gir det en betydelig fordel). Hvis du allerede bruker vLLM eller SGLang, er XGrammar innebygd -- å legge til Outlines er en ekstra avhengighet som er tregere. Biblioteket er best egnet for eksperimentering og egendefinerte grammatikkbrukstilfeller snarere enn høy-gjennomstrømmings produksjonsbetjening.

Prising

Gratis og åpen kildekode (Apache 2.0). dottxt tilbyr en hostet API, men biblioteket selv er gratis.

Hvem bør bruke det

Forskere og utviklere som vil ha et Python-nativt constrained decoding-bibliotek for eksperimentering, egendefinerte grammatikker eller selvhosted LLM-prototyping.

Vurdering: no. 6 fordi det er det mest tilgjengelige constrained decoding-biblioteket, men XGrammar slår det for produksjonsselvhostede distribusjoner.

no. 7: LiteLLM -- Den universelle adapteren

LiteLLM er ikke et structured output-bibliotek per se -- det er en enhetlig proxy som gir deg et OpenAI-kompatibelt API på tvers av 100+ leverandører. Men det fortjener en plass på denne listen fordi å pare LiteLLM med Instructor er ett av de mest kraftfulle structured output-oppsettene tilgjengelig.

Hva som er bra

Ett API for alt. OpenAI, Anthropic, Gemini, Mistral, Cohere, Azure, Bedrock, Ollama og dusinvis til -- alle gjennom det samme completion()-kallet. Siden Instructor støtter LiteLLM som backend, får du automatiske nye forsøk og Pydantic-validering på tvers av alle leverandørene LiteLLM støtter. Det inkluderer også kostnadssporing, lastbalansering, rate limiting og en proxy-servermodus for teambruk.

Hva som ikke er bra

Det legger til et abstraksjonslag som kan gjøre feilsøking vanskeligere. Når noe går galt, diagnostiserer du gjennom to biblioteker i stedet for ett. LiteLLM håndterer heller ikke strukturert utdata selv -- du trenger fortsatt Instructor (eller manuell JSON Schema-håndtering) på toppen. Og leverandørkompatibilitetsmatrisen er ikke alltid perfekt; edge-tilfeller med nyere leverandører eller funksjoner kan henge etter.

Prising

Gratis og åpen kildekode kjerne. LiteLLM tilbyr en hostet proxy med teamadministrasjonsfunksjoner, men biblioteket er gratis.

Hvem bør bruke det

Team som bruker flere LLM-leverandører og vil unngå leverandørlåsing. Par det med Instructor for den beste multi-leverandør structured output-opplevelsen. For bredere stakk-avgjørelser, se vår AI-stakk-guide for SaaS.

Vurdering: no. 7 fordi det er limlaget, ikke structured output-laget. Essensielt for multi-leverandøroppsett, men alltid brukt ved siden av Instructor.

no. 8: Marvin -- Rask prototype-verktøyet

Marvin tilbyr det enkleste structured output-API-et i Python-økosystemet: cast(), extract() og classify(). Du sender inn data og en type, og Marvin håndterer resten.

Hva som er bra

Det er latterlig raskt å komme i gang. Ti linjer kode får deg til fungerende strukturert ekstraksjon. API-et er så intuitivt at du knapt trenger dokumentasjon. For prototyping, demoer og raske skript er ingenting raskere. Du kan også være interessert i AI-agenter for bedrifter.

Hva som ikke er bra

Det er primært bare for OpenAI, noe som er en dealbreaker for produksjon multi-leverandøroppsett. Det enkle API-et som gjør prototyping raskt, blir begrensende når du trenger egendefinert retry-logikk, delvis strømming eller kompleks validering. Prosjektet har sett mindre aktiv utvikling sammenlignet med Instructor og BAML, og økosystemet rundt det er lite.

Prising

Gratis og åpen kildekode (Apache 2.0).

Hvem bør bruke det

Utviklere som trenger strukturert ekstraksjon fungerende på fem minutter for en prototype, demo eller internt verktøy der OpenAI er den eneste leverandøren.

Vurdering: no. 8 fordi det handler om kapabilitet mot enkelhet. Perfekt for prototyping, men du vokser raskt ut av det.

Trenger du egentlig et structured output-bibliotek?

Ærlig svar: kanskje ikke. De native leverandør-SDK-ene har blitt overraskende kapable.

OpenAIs .parse() med Strict Mode garanterer 100% JSON Schema-samsvar. Anthropics output_config støtter JSON Schema direkte. Google Gemini har response_schema. Hvis du er låst til én leverandør, jobber med enkle flate skjemaer og ikke trenger retry-logikk eller delvis strømming -- er det native SDK-et genuint nok. Null ekstra avhengigheter.

Du trenger et bibliotek når ting blir seriøst: multi-leverandørstøtte (slik at du ikke er låst inne), automatiske nye forsøk med valideringstilbakemelding (LLM-en ser hva den fikk galt), delvis strømming av nestede objekter, eller komplekse skjemaer som trenger typesikkerhet på tvers av språk. Og hvis du er interessert i hvordan function calling relaterer til structured outputs, er tilnærmingene komplementære -- strukturert utdata for dataekstraksjon, function calling for handlinger.

Vurdering: Hvis du bruker én leverandør med enkle skjemaer, begynn med det native SDK-et. Legg til Instructor eller BAML når du når grensene.

Hvorfor Techsy velger Instructor som no. 1

Vi har levert produksjonssystemer for strukturerte utdata med Instructor, BAML og Vercel AI SDK på tvers av klientprosjekter. Her er grunnen til at Instructor fortsetter å vinne for oss:

1. Raskest tid til fungerende kode. En ny utvikler på teamet kan legge til et strukturert ekstrakssjonsendepunkt på under en time. Med BAML legger DSL-læringskurven og byggsteget til en dag.
2. Retry-løkken er magisk. Instructors automatiske retry med valideringstilbakemelding gjenoppretter fra dårlige LLM-utdata uten noen tilpasset feilhåndteringskode. I vår erfaring sitter retry-gjenopprettingsrater over 95% for skjemaer under 15 felter.
3. Leverandørfleksibilitet betyr noe i praksis. Vi bytter jevnlig mellom OpenAI (for hastighet), Anthropic (for kompleks resonnering) og lokale modeller (for kostnad) innenfor samme prosjekt. Instructor + LiteLLM gjør det trivielt.
4. Økosystemet svarer på spørsmålene dine. Når vi treffer edge-tilfeller, er det nesten alltid et eksisterende eksempel, GitHub-problem eller blogginnlegg som dekker det. BAML og Pydantic AI tar igjen, men Instructors forsprang er reelt.

Likevel bytter vi til BAML for flerspråklige prosjekter og Pydantic AI når prosjektet er agentdominert. Det er ingen one-size-fits-all-svar -- bare en solid standard.

Hvordan bør du velge? Beslutningsrammeverk

Finn raden din og du er ferdig.

Trenger du noe tilpasset?

Hvis du bygger et AI-produkt og ikke er sikker på hvordan strukturerte utdata passer inn i arkitekturen din -- eller du trenger hjelp til å velge mellom disse verktøyene for et spesifikt brukstilfelle -- er det nøyaktig den typen problem vi løser. Vi har bygget structured output-pipelines for ekstraksjon, klassifisering og flerstegs-agentsystemer på tvers av forskjellige LLM-leverandører. Se våre AI-integrasjonstjenester. Ta kontakt for en gratis teknisk konsultasjon.

Ofte stilte spørsmål

Hvilket er det beste biblioteket for strukturert LLM-utdata?

For Python er Instructor vår no. 1-anbefaling -- det har det største økosystemet, mest leverandørstøtte og enklest API. For TypeScript er Vercel AI SDK med Zod-skjemaer den klare lederen. Det rette valget avhenger av språket ditt, leverandørbehov og om du bygger agenter eller gjør ekstraksjon.

Bør jeg bruke Instructor eller BAML for strukturert utdata?

Instructor for raskt oppsett og det største økosystemet. BAML hvis du jobber på tvers av flere språk (Python + TypeScript + andre) og vil ha én enkelt schemadefinisjon, eller hvis LLM-utdataene dine er rotete og trenger BAMLs fleksible Schema-Aligned Parsing snarere enn streng JSON-validering.

Er Instructor bedre enn native OpenAI structured outputs?

Native OpenAI .parse() med Strict Mode fungerer perfekt for enkeltleverandøroppsett med enkle skjemaer. Instructor legger til verdi gjennom automatiske nye forsøk med valideringstilbakemelding, delvis strømming, multi-leverandørstøtte og kompleks nestet validering. Hvis du bare bruker OpenAI og skjemaene dine er flate, er det native SDK-et genuint nok.

Hva er Pydantic AI og hvordan sammenligner det med Instructor?

Pydantic AI er et agentramverk fra Pydantic-teamet der strukturert utdata er en innebygd primitiv, ikke det eneste fokuset. Instructor er laserfokusert på ekstraksjon -- definer en modell, få typet utdata. Velg Pydantic AI når du trenger agenter med verktøy, avhengighetsinjeksjon og strukturert utdata som jobber sammen. Velg Instructor når du bare trenger pålitelig typet ekstraksjon.

Hvordan håndterer Vercel AI SDK strukturerte utdata?

Gjennom generateObject() og streamObject()-funksjoner som aksepterer Zod-skjemaer. Du definerer et Zod-skjema, sender det til funksjonen sammen med en prompt, og får tilbake et fullt typet objekt. Det støtter 20+ leverandører inkludert OpenAI, Anthropic og Google, med innebygd strømming av delvise objekter for sanntids-UI-er.

Hva er XGrammar og når bør jeg bruke det?

XGrammar er en constrained decoding-motor -- den opererer på inferensservernivå for å garantere strukturert utdata ved å maskere ugyldige tokens under generering. Bruk det hvis du kjører selvhostede LLM-er på vLLM, SGLang eller TensorRT-LLM. Det er allerede innebygd i disse serverne som standard grammatikkbackend. Du bruker ikke XGrammar med API-baserte leverandører som OpenAI.

Hvordan sammenligner Outlines med XGrammar?

Outlines er et Python-bibliotek med en direkte API; XGrammar er en C++/Rust-motor innebygd i inferensservere. Outlines er mer tilgjengelig for eksperimentering og egendefinerte grammatikker. XGrammar er raskere (opptil 100x gjennom vokabularpartisjonering) og allerede integrert i produksjonsinferens-stakker. For en produksjons-vLLM-distribusjon er XGrammar standarden. For forskning og prototyping gir Outlines deg mer kontroll.

Kan jeg bruke Instructor med Anthropic og Gemini?

Ja. Instructor støtter 15+ leverandører direkte, inkludert Anthropic Claude, Google Gemini, Ollama, Mistral og Cohere. For leverandører som ikke er direkte støttet, kan du rute gjennom LiteLLM, som gir Instructor tilgang til 100+ leverandører gjennom et enhetlig OpenAI-kompatibelt API.

Hvilket er det beste TypeScript-biblioteket for strukturerte LLM-utdata?

Vercel AI SDK. Det har det største TypeScript AI-økosystemet, innebygd Zod-skjemastøtte, strømming av delvise objekter og fungerer med 20+ leverandører. Instructor-TS er et solid alternativ hvis du foretrekker Instructor API-mønsteret. BAML-TS er valget for team som deler schemadefinissjoner mellom Python- og TypeScript-tjenester.

Trenger jeg et structured output-bibliotek eller kan jeg bruke det native API-et?

Native API-er (OpenAI Strict Mode, Anthropic output_config, Gemini response_schema) fungerer bra for enkeltleverandøroppsett med enkle skjemaer. Du bør velge et bibliotek når du trenger multi-leverandørstøtte, automatiske nye forsøk med valideringstilbakemelding, strømming av delvise objekter eller typesikkerhet på tvers av språk. Biblioteket legger til et tynt lag som betaler seg selv første gang en LLM returnerer feilformaterte utdata og appen din håndterer det elegant i stedet for å krasje.

Kilder

• Instructor-dokumentasjon
• BAML-dokumentasjon
• Pydantic AI-dokumentasjon
• Vercel AI SDK-dokumentasjon
• XGrammar-dokumentasjon
• Outlines-dokumentasjon
• LiteLLM-dokumentasjon