Structured Output対応ツール2026：用途別ランキング

各ツールが解決する問題

Instructor：Pydantic抽出

• 主要Providerすべてに対応（OpenAI、Anthropic、Google、Groq、Mistral）、OllamaやvLLM経由のローカルモデルにも対応
• Pydantic v2スキーマ：型ヒント、バリデーションルール、スキーマに埋め込まれたdocstring説明
• バリデーション失敗時のバックオフ付き自動リトライ — 手動エラー処理不要
• 6つの公式実装：Python、TypeScript、Ruby、Go、Elixir、Rust
• MITライセンスのオープンソース、活発にメンテナンス中、現在は1.x系
• 料金：無料（LLM APIコスト以外の追加コストなし）

import instructor
from pydantic import BaseModel
from openai import OpenAI

class User(BaseModel):
    name: str
    age: int

client = instructor.from_openai(OpenAI())
user = client.chat.completions.create(
    model="gpt-5.6",
    response_model=User,
    messages=[{"role": "user", "content": "Extract: John is 25 years old"}]
)
# user.name == "John", user.age == 25

Outlines：Constrained Decoding

• ローカルバックエンド：transformers、llama.cpp、MLX、あらゆるHugging Faceモデル
• サーバーバックエンド：vLLM、Ollama、NVIDIA NIM
• ホスト型API（OpenAI、Gemini）にも対応 — 同じコードでローカルとクラウドを行き来できる
• スキーマはPydanticモデル、JSON Schema、正規表現パターン、リテラル選択、文脈自由文法で指定
• 構造面の準拠を保証 — 後処理バリデーションやリトライ不要
• Apache 2.0オープンソース、現在は1.x系、高速化のためのRustコア（outlines-core）を採用

Pydantic AI：型安全エージェント

• Pydantic v2型システム — 完全なIDEサポートと、エージェントの戻り値に対する静的型チェック
• 3つの出力モード：Providerネイティブの構造化出力、ツール呼び出し、フォールバックとしてのプロンプトJSON
• 高スループットアプリケーション向けAsync-firstデザイン
• OpenAI、Anthropic、Google、Bedrock、Azure AI Foundry、Groq、Mistral、xAI、Ollamaをサポート
• 永続実行の連携（Temporal、DBOS、Prefect）により長時間稼働のエージェントが再起動を乗り越えられる
• ツール呼び出し内蔵 — 型ヒント付きPython関数としてツールを定義
• MITライセンスで無料（LLM APIコスト以外の追加コストなし）

BAML：スキーマファーストのプロンプトファイル

• スキーマとプロンプトを.bamlファイルにまとめ、他のソースコードと同じようにバージョン管理・レビューできる
• PythonとTypeScript向けにネイティブな型付きクライアントを生成、加えてGo・Java・Ruby・PHP・Rust・C#は生成されたOpenAPIクライアント経由で利用可能
• schema-aligned parsing（SAP）が不完全な出力から有効なオブジェクトを復元し、失敗させない
• ネイティブのtool-useやJSONモードを一切持たないモデルでも動作
• 型安全なストリーミング — 部分オブジェクトが型付きで届き、生成中にフィールドを描画できる
• Apache 2.0オープンソース。ホスト型の可観測性製品Boundary Studioは別途有料

LangChain：統一API

• 統一API：.with_structured_output()メソッド1つが全Providerで機能
• LangChainツール定義をProvider固有のスキーマ形式に自動変換
• create_agentで作成したエージェントは最終回答用にresponse_formatを受け取る
• 1.1系以降、ネイティブ構造化出力の対応可否はProviderのプロファイルデータからモデルごとに読み取られる
• Pydanticモデル、TypedDict、dataclass、生のJSON Schemaをサポート
• LangChainまたはLangGraphに既に投資しているチームに最適

Marvin：タスクベース抽出

• 1行のヘルパー：marvin.extract、marvin.cast、marvin.classify、marvin.generate
• Pydantic AIの上に構築 — Providerサポートと出力バリデーションは再実装ではなく継承
• 多段階の処理向けタスク中心エンジン：marvin.run、marvin.Task、marvin.Agent、marvin.Thread
• Pythonの型ヒントがスキーマになる — 抽出と分類に必要なボイラープレートは最小限
• 移行時の注意：Marvin 2の@marvin.fnデコレータは存在しないため、該当箇所は書き直しが必要
• Apache 2.0オープンソース、Prefectがメンテナンス、無料で利用可能

PromptQuorum：クロスモデルテスト

• 単一API呼び出しでマルチモデルディスパッチ — 25以上のモデルに対してプロンプトをテスト
• Structured Output準拠メトリクス — 合格率、レイテンシ、モデルごとのコスト
• スキーマで幻覚するモデルを特定 — 信頼性の低いモデルへのデプロイを回避
• コンセンサスモード — 独立したモデル実行間の一致を発見
• Instructor、Outlines、Pydantic AI、BAML、LangChain、または生LLM APIと連携
• 無料ティア利用可能、高ボリュームテスト向けエンタープライズ料金

並列比較

適切なツールの選び方

• Instructorを使用する場合： PythonのAPIを構築し、バリデーション失敗時の自動リトライが必要な場合。最良の汎用選択肢。
• Outlinesを使用する場合： ローカルモデル（llama.cpp、vLLM、MLX）をデプロイし、生成時にスキーマ準拠を保証したい場合。
• Pydantic AIを使用する場合： すべてのステップにわたる型安全性でマルチターンエージェントワークフローを構築する場合、または永続実行が必要な場合。
• BAMLを使用する場合： Python・TypeScript・Goのサービスが1つのスキーマを共有する必要がある場合、またはモデルに信頼できるネイティブJSONモードがない場合。
• LangChainを使用する場合： すでにLangChainやLangGraphを使用している場合 — with_structured_output()が最も簡単な追加。
• Marvinを使用する場合： extractやclassifyを1回呼ぶだけで済み、独自のバリデーションロジックが不要な場合。
• PromptQuorumを使用する場合： 本番前にGPT、Claude、Geminiにわたるstructured output一貫性をテストする必要がある場合。

Structured Outputを段階的に導入する方法

1. 1
   出力スキーマを定義する — LLMに返してほしいフィールド、型、制約を記述したPydanticモデル（Python）、.bamlクラス（BAML）、TypeScriptインターフェース、またはJSON Schemaを作成します。
2. 2
   ライブラリを選択する — Python APIにはInstructor、ローカルモデルにはOutlines、エージェントにはPydantic AI、多言語チームにはBAML、すでに使用中ならLangChain、1行で抽出したいならMarvin。
3. 3
   インストールしてLLM呼び出しをラップする — `pip install instructor`（Python）、次にスキーマをAPI呼び出しに渡します。Instructorがバリデーションとリトライを処理します。
4. 4
   PromptQuorumでテストする — PromptQuorumにデプロイし、GPT、Claude、Geminiに対してプロンプトを実行します。モデルごとのスキーマ準拠率を測定します。
5. 5
   失敗に基づいてスキーマを改善する — モデルがバリデーションに失敗した場合、プロンプトに例を追加するかスキーマ制約を調整します。すべてのモデルが合格するまで反復します。

Structured Outputでよくある間違い

日本企業向けのStructured Output導入ガイド

• METI AIガバナンスガイドライン2024： 経済産業省は、企業がAIシステムを導入する際にリスク管理体制を整備することを推奨しています。Structured OutputによりLLMの出力を予測可能な形式に制限することで、AIガバナンスの要件を満たしやすくなります。
• 個人情報保護法（APPI）： 個人情報を含むデータをLLM APIに送信する場合、第三者提供規制への対応が必要です。Outlinesとローカルモデルによりデータをオンプレミスまたはプライベートクラウドに保持できます。
• 金融・医療・法務セクター： これらの規制が厳しい業界では、機密データ処理にローカルモデルとOutlinesの組み合わせが推奨されます。PromptQuorumで複数モデルの一貫性を検証後、本番環境に移行できます。
• BAMLとオンプレミス運用： BAMLはOpenAI互換エンドポイントであれば動作するため、同じ.baml契約を社内のvLLMデプロイに向けられます。PythonとTypeScriptのサービスがスキーマを共有しつつ、データを社外に出したくない場合に有効です。
• アジア太平洋地域展開： 日本のほか、シンガポール、韓国、オーストラリアへのデプロイでは各国のデータ保護法を確認してください。ローカルモデルによるデータ在地化は多くの規制要件を満たします。

関連資料

• Structured OutputとJSONモード — OpenAI、Anthropic、Google APIでのJSONモードの仕組み；フォーマット強制とスキーマバリデーションの使い分け。
• プロンプトインジェクションとセキュリティ — 構造化プロンプトでユーザー入力を受け入れる際のリスク；サニタイズ戦略。
• プロンプト品質の評価方法 — Structured Outputスキーマの精度、一貫性、指示遵守を測定。
• モデル間でプロンプトをテストする方法 — GPT、Claude、Geminiで同じテストセットを実行；合格率を比較。
• プロンプトエンジニアリングとファインチューニング — 構造化プロンプティングで十分な場合とモデルファインチューニングが必要な場合。
• 小チーム向けプロンプトエンジニアリング設定 — 2〜15人のチーム向け構造化データ出力ワークフロー構築。
• 信頼性の高い構造化データのプロンプト

出典

• Instructor GitHubリポジトリ — Instructorライブラリの公式リポジトリとドキュメント
• Outlines GitHubリポジトリ — スキーマ準拠保証のためのConstrained Decoding
• Pydantic AIドキュメント — Structured Output付き型安全エージェントフレームワーク
• LangChain Structured Outputガイド — LangChain統一Structured Output API
• BAMLドキュメント — スキーマファーストのプロンプト言語とschema-aligned parsing
• Marvin GitHubリポジトリ — Pydantic AIの上に構築されたタスク中心の抽出ライブラリ