각 도구가 해결하는 문제
📍 In One Sentence
구조화 출력 도구는 생성 시점에 스키마를 강제하는 문제, 생성 후 결과를 검증하는 문제, 손상된 출력을 복구하는 문제라는 세 가지 서로 다른 문제를 해결하며, 대부분의 구성에는 앞의 두 가지만 필요합니다.
💬 In Plain Terms
기능 목록을 보고 고르지 마십시오. 실제로 겪는 실패가 무엇인지 먼저 물어야 합니다. 모델이 형식을 무시하는지, 형식은 지키지만 값이 틀리는지, 아예 파싱조차 되지 않는 JSON을 돌려주는지입니다. 각각 해법이 다릅니다.
Structured output은 세 가지 상호 연관된 문제를 해결해야 합니다: 스키마 정의, API 준수, 유효성 검사. 서로 다른 도구는 이러한 문제를 다른 방식으로 공격합니다. Instructor는 재시도와 함께 Python에서 세 가지를 모두 관리합니다. Outlines는 constrained decoding을 통해 유효성 검사 단계를 제거합니다. Pydantic AI는 에이전트에 type safety를 추가합니다. BAML은 스키마를 컴파일 가능한 파일로 옮기고 불완전한 출력을 복구합니다. LangChain은 공급자 API를 래핑합니다. Marvin은 개발자 속도를 우선시합니다. PromptQuorum은 모든 모델에서 일관성을 검증합니다.
문제 | Instructor | Outlines | Pydantic AI | BAML | LangChain | Marvin |
|---|---|---|---|---|---|---|
| 스키마 정의 | Pydantic 모델 | JSON Schema / GBNF | Pydantic 모델 | .baml 클래스 파일 | 도구 정의 | Python 타입 힌트 |
| API 호출에서 강제 | 재시도 + 유효성 검사 | 토큰 수준 제약 | 네이티브 / 도구 / 프롬프트 | 생성된 프롬프트 + 파서 | 공급자 JSON 모드 | Pydantic AI 출력 타입 |
| 응답 유효성 검사 | 자동 | 생성 시 보장 | 유형 검증됨 | Schema-aligned parsing | 수동 | 자동 |
Instructor: Pydantic 추출
Instructor는 가장 많이 채택된 structured output 라이브러리입니다. 모든 LLM API — OpenAI GPT-5.6, Claude Opus 5, Gemini 3.1 Pro, Ollama, vLLM — 을 래핑하고 일반 텍스트 대신 검증된 Pydantic 모델을 반환합니다. Instructor는 유효성 검사가 실패할 때 자동으로 재시도를 관리하여 추가적인 오류 처리 없이 프로덕션에 적합하게 만듭니다.
- 모든 주요 공급자(OpenAI, Anthropic, Google, Groq, Mistral)와 Ollama·vLLM을 통한 로컬 모델에서 작동합니다
- Pydantic v2 스키마: 스키마에 통합된 타입 힌트, 유효성 검사 규칙, docstring 설명
- 유효성 검사 실패 시 backoff와 함께 자동 재시도 — 수동 오류 처리 불필요
- 6개 공식 구현: Python, TypeScript, Ruby, Go, Elixir, Rust
- MIT 라이선스 오픈소스, 활발히 유지 관리되며 현재 1.x 라인
- 가격: 무료 (LLM API 호출 이외의 추가 비용 없음)
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 == 25Outlines: constrained decoding
Outlines는 constrained decoding을 통해 토큰 생성 시 스키마 준수를 강제합니다. 토큰을 생성한 다음 유효성 검사하는 대신, Outlines는 각 단계에서 유효한 토큰을 스키마와 일치하도록 제한합니다. 이는 출력이 스키마에 맞춰 반드시 파싱되도록 보장하며 구조 측면의 환각 위험이 없습니다. 바로 이 점이 로컬 모델에서 기본 선택지가 된 이유입니다.
- 로컬 백엔드: transformers, llama.cpp, MLX 및 모든 Hugging Face 모델
- 서버 백엔드: vLLM, Ollama, NVIDIA NIM
- 호스팅 API(OpenAI, Gemini)도 지원하므로 동일한 코드가 로컬과 클라우드를 오갑니다
- 스키마는 Pydantic 모델, JSON Schema, regex 패턴, 리터럴 선택지 또는 문맥 자유 문법으로 지정합니다
- 보장된 구조 준수 — 생성 후 유효성 검사 또는 재시도 불필요
- Apache 2.0 오픈소스, 현재 1.x 라인, 속도를 위한 Rust 코어(outlines-core) 탑재
Pydantic AI: type-safe 에이전트
Pydantic AI는 Pydantic 본체를 만드는 팀이 내놓은 에이전트 프레임워크입니다. Pydantic 모델을 멀티 턴 에이전트 대화에 대한 일류 지원과 결합하여, 각 턴에서 structured output을 강제하면서 에이전트 루프에 완전한 type safety를 추가합니다. 이미 2.x 라인에 들어섰고 실험이 아니라 프로덕션에서 사용됩니다.
- Pydantic v2 타입 시스템 — 완전한 IDE 지원과 에이전트 반환값에 대한 정적 타입 검사
- 세 가지 출력 모드: 공급자 네이티브 structured output, 도구 호출, 폴백으로서의 프롬프트 기반 JSON
- 고성능 애플리케이션을 위한 async-first 설계
- OpenAI, Anthropic, Google, Bedrock, Azure AI Foundry, Groq, Mistral, xAI, Ollama 지원
- 지속 실행 연동(Temporal, DBOS, Prefect)으로 장시간 실행되는 에이전트가 재시작을 견딥니다
- 통합 도구 호출 — 타입 힌트가 있는 Python 함수로 도구 정의
- MIT 라이선스이며 무료 (LLM API 호출 이외의 추가 비용 없음)
BAML: 스키마 우선 프롬프트 파일
BAML은 Python 라이브러리들과 정반대의 접근을 취합니다. 스키마와 프롬프트가 버전 관리되는 .baml 파일에 들어가고, 컴파일러가 사용 언어에 맞는 타입이 있는 클라이언트를 생성합니다. 스키마 정렬 파서는 모델이 실제로 저지르는 실수 — JSON을 감싼 마크다운 코드 펜스, 끝에 남은 쉼표, 따옴표 없는 키, 객체 앞에 붙는 추론 텍스트 — 를 오류로 던지고 재시도를 태우는 대신 복구합니다.
- 스키마와 프롬프트가 .baml 파일에 함께 있어 다른 소스 코드처럼 버전 관리와 리뷰가 가능합니다
- Python과 TypeScript용 타입 클라이언트를 네이티브로 생성하고, Go·Java·Ruby·PHP·Rust·C#은 생성된 OpenAPI 클라이언트로 지원합니다
- schema-aligned parsing(SAP)이 불완전한 출력에서 유효한 객체를 복원하며 실패하지 않습니다
- 네이티브 tool-use나 JSON 모드가 전혀 없는 모델에서도 작동합니다
- 타입 안전 스트리밍 — 부분 객체가 타입과 함께 도착하므로 생성 중에 필드를 렌더링할 수 있습니다
- Apache 2.0 오픈소스이며, 호스팅 관측 제품인 Boundary Studio는 별도 유료 서비스입니다
LangChain: 통합 API
LangChain은 모든 주요 채팅 모델에 with_structured_output()을 제공하여 OpenAI, Anthropic, Google 및 로컬 모델의 structured output을 단일 메서드 뒤로 통합합니다. 1.x 재작성 이후로는 각 공급자의 네이티브 structured output 지원 여부를 하드코딩하지 않고 모델 프로필에서 읽으며, create_agent로 만든 에이전트는 response_format을 직접 받습니다.
- 통합 API: 하나의 .with_structured_output() 메서드가 모든 공급자에서 작동합니다
- LangChain 도구 정의를 공급자별 스키마 형식으로 자동 변환합니다
- create_agent로 생성한 에이전트는 최종 답변용 response_format을 받습니다
- 1.1 라인부터 네이티브 structured output 지원 여부는 공급자 프로필 데이터에서 모델별로 읽힙니다
- Pydantic 모델, TypedDict, dataclass, 원시 JSON Schema를 지원합니다
- 이미 LangChain 또는 LangGraph에 투자한 팀에 이상적
Marvin: 태스크 기반 추출
Marvin 3.x는 비정형 텍스트에서 타입이 있는 Python 객체로 가는 가장 짧은 경로입니다. Pydantic AI 위에 구축되어 있어 동일한 공급자 커버리지와 유효성 검사를 훨씬 적은 코드로 얻습니다. 유의할 점: Marvin 2의 데코레이터 중심 API는 사라졌습니다. @marvin.fn은 3.0에서 제거되었고, 최상위 헬퍼 함수와 태스크 중심 에이전트 엔진이 그 자리를 대신합니다.
- 한 줄 헬퍼: marvin.extract, marvin.cast, marvin.classify, marvin.generate
- Pydantic AI 위에 구축 — 공급자 지원과 출력 유효성 검사는 재구현이 아니라 상속됩니다
- 다단계 작업을 위한 태스크 중심 엔진: marvin.run, marvin.Task, marvin.Agent, marvin.Thread
- Python 타입 힌트가 스키마가 됩니다 — 추출과 분류에 필요한 보일러플레이트가 최소
- 마이그레이션 참고: Marvin 2의 @marvin.fn 데코레이터는 더 이상 존재하지 않으므로 해당 호출부는 다시 작성해야 합니다
- Apache 2.0 오픈소스, Prefect가 유지 관리, 무료 사용
PromptQuorum: 멀티 모델 테스트
PromptQuorum 자체는 structured output 라이브러리가 아니라 모델 간 structured output 일관성을 검증하는 테스트 플랫폼입니다. 동일한 프롬프트를 GPT-5.6, Claude Opus 5, Gemini 3.1 Pro 및 20개 이상의 모델에 동시에 실행하십시오. 모델별 스키마 준수율, 지연 시간 및 비용을 측정합니다.
- 단일 API 호출로 멀티 모델 디스패치 — 25개 이상의 모델에서 프롬프트를 테스트합니다
- Structured output 준수 메트릭 — 통과율, 지연 시간, 모델별 비용
- 귀하의 스키마로 환각을 유발하는 모델 식별 — 신뢰할 수 없는 모델에 배포하는 것을 방지합니다
- 합의 모드 — 독립적인 모델 실행 간의 합의를 찾습니다
- Instructor, Outlines, Pydantic AI, BAML, LangChain 또는 원시 LLM API와 함께 작동합니다
- 무료 티어 제공, 고용량 테스트를 위한 엔터프라이즈 가격
나란히 비교
도구 | 이상적인 사용 사례 | 스키마 형식 | 언어 | 로컬 모델 | 라이선스 | 학습 곡선 |
|---|---|---|---|---|---|---|
| Instructor | Python API + 재시도 | Pydantic 모델 | Python, TS, Ruby, Go, Elixir, Rust | 예 (Ollama, vLLM) | MIT, 무료 | 낮음 |
| Outlines | 로컬 모델 배포 | Pydantic, JSON Schema, regex, CFG | Python | 예 (네이티브) | Apache 2.0, 무료 | 중간 |
| Pydantic AI | type-safe 에이전트 | Pydantic 모델 | Python | 예 (Ollama) | MIT, 무료 | 낮음 |
| BAML | 다국어 팀, 출력이 불안정한 모델 | .baml 클래스 파일 | Python, TS + OpenAPI로 6개 | 예 (OpenAI 호환) | Apache 2.0, 관측 기능 유료 | 중간 |
| LangChain | chains + 에이전트 | 도구 정의 | Python, JS | 예 | MIT, 무료 | 중간 |
| Marvin | 빠른 extract와 classify | 타입 힌트 | Python | 예 | Apache 2.0, 무료 | 매우 낮음 |
| PromptQuorum | 멀티 모델 테스트 | API 불가지론적 | API-first | OpenAI 프록시를 통해 | 무료 티어 + 엔터프라이즈 | 낮음 |
올바른 도구 선택
세 가지 질문에 답하는 것으로 시작하십시오: (1) 실제로 모델을 호출하는 서비스는 어떤 언어로 작성되어 있습니까? (2) 로컬 모델 지원이 필요합니까? (3) 유효성 검사 복잡도는 얼마나 됩니까?
- Instructor를 사용하십시오: Python API를 구축하고 유효성 검사 실패 시 자동 재시도가 필요한 경우. 가장 좋은 범용 옵션입니다.
- Outlines를 사용하십시오: 로컬 모델(llama.cpp, vLLM, MLX)을 배포하고 생성 시 보장된 스키마 준수를 원하는 경우.
- Pydantic AI를 사용하십시오: 모든 단계에서 type safety와 함께 멀티 턴 에이전트 워크플로우를 구축하거나 지속 실행이 필요한 경우.
- BAML을 사용하십시오: Python·TypeScript·Go 서비스가 하나의 스키마를 공유해야 하거나, 모델에 신뢰할 만한 네이티브 JSON 모드가 없는 경우.
- LangChain을 사용하십시오: 이미 LangChain 또는 LangGraph를 사용하고 있다면 — with_structured_output()이 가장 간단한 추가입니다.
- Marvin을 사용하십시오: extract 또는 classify 한 번의 호출이면 충분하고 별도 유효성 검사 로직이 필요하지 않은 경우.
- PromptQuorum을 사용하십시오: 프로덕션 전 GPT, Claude, Gemini에서 structured output 일관성을 테스트해야 하는 경우.
Structured output 단계별 추가
- 1출력 스키마 정의 — LLM이 반환하기를 원하는 필드, 유형 및 제약 조건을 설명하는 Pydantic 모델(Python), .baml 클래스(BAML), TypeScript 인터페이스 또는 JSON Schema를 만드십시오.
- 2라이브러리 선택 — Python API에는 Instructor, 로컬 모델에는 Outlines, 에이전트에는 Pydantic AI, 다국어 팀에는 BAML, 이미 사용 중이면 LangChain, 한 줄 추출에는 Marvin.
- 3LLM 호출 설치 및 래핑 — `pip install instructor` (Python), 그런 다음 스키마를 API 호출에 전달하십시오. Instructor가 유효성 검사와 재시도를 관리합니다.
- 4PromptQuorum으로 테스트 — PromptQuorum에 배포하고 GPT, Claude, Gemini에서 프롬프트를 실행하십시오. 모델별 스키마 준수율을 측정하십시오.
- 5실패에 따라 스키마 개선 — 모델이 유효성 검사에 실패하면 프롬프트에 예시를 추가하거나 스키마 제약 조건을 조정하십시오. 모든 모델이 통과할 때까지 반복하십시오.
Structured output 일반적인 실수
❌ 모든 JSON 모드를 스키마 보장으로 착각
Why it hurts: 단순 JSON 모드(response_format json_object, Anthropic JSON 제어)는 응답이 유효한 JSON이라는 것만 보장할 뿐, 귀하의 필드와 유형에 맞는다는 보장은 하지 않습니다. 엄격한 스키마 모드는 한 걸음 더 나아가 형태를 보장하지만, 어느 쪽도 값의 정확성은 보장하지 않습니다. 형식이 온전한 객체 안에도 지어낸 가격이나 환각한 날짜가 들어 있을 수 있습니다.
Fix: 어느 경우든 위에 유효성 검사를 얹으십시오: Instructor, Outlines, Pydantic AI 또는 BAML. 비즈니스 규칙은 스키마만이 아니라 Pydantic 유효성 검사기에 넣으십시오. PromptQuorum으로 모델별 준수 실패를 감지하십시오.
❌ 너무 엄격한 스키마 설계
Why it hurts: 너무 제한적인 스키마(작은 열거형 목록, 매우 구체적인 regex 패턴)는 LLM이 유효성 검사에 자주 실패하게 합니다. 높은 재시도 횟수는 토큰과 비용을 낭비합니다.
Fix: PromptQuorum을 사용하여 모델 간 스키마 엄격도를 테스트하십시오. 95% 이상의 준수율을 달성하기 위해 제약 조건을 완화하십시오. 가능한 경우 필수 필드 대신 선택적 필드를 사용하십시오.
❌ 로컬 모델과 API 모델 간의 차이를 테스트하지 않음
Why it hurts: llama.cpp의 Outlines는 GPT-5.6의 Instructor와 다르게 작동합니다. 스키마 준수율은 모델마다 다릅니다. 프런티어 API 모델만을 위해 구축한 다음 작은 로컬 모델로 배포하면 프로덕션 실패가 발생합니다.
Fix: 예상하는 모든 모델 백엔드를 일찍 테스트하십시오. PromptQuorum을 사용하여 로컬 모델(vLLM, Ollama)과 호스팅 모델(OpenAI, Anthropic, Google)에서 동일한 프롬프트를 실행하십시오.
❌ 지연 시간 및 토큰 비용 영향 무시
Why it hurts: 재시도가 있는 structured output은 더 많은 토큰이 필요합니다. Instructor는 실패 시 재시도합니다. Outlines의 constrained decoding은 자유 생성 대비 토큰당 오버헤드가 늘어납니다. 모델별 비용을 측정하지 않습니다.
Fix: PromptQuorum의 비용 추적을 사용하십시오. 모델 간 지연 시간을 비교하십시오. 예산에 민감한 워크플로우에는 Outlines 또는 BAML(재시도 루프 없음)을 선호하십시오. 유연한 스키마에서 정확도를 우선한다면 Instructor의 재시도 비용을 받아들이십시오.
❌ 유효성 검사 방법 혼합 (일관성 없음)
Why it hurts: 일부 요청은 Instructor를 사용하고, 다른 요청은 원시 JSON 파싱을 사용합니다. 일부 모델은 유효성 검사되고, 다른 모델은 그렇지 않습니다. 이는 프로덕션에서 일관성 없는 오류를 초래합니다.
Fix: 코드베이스당 하나의 유효성 검사 접근 방식으로 표준화하십시오. 모든 요청이 Instructor를 사용하거나, 모두 Outlines를 사용합니다. 일관성은 디버깅 시간을 10배 줄입니다.
❌ 이미 대체된 API를 기준으로 쓰인 튜토리얼 베끼기
Why it hurts: structured output 라이브러리는 빠르게 바뀝니다. Marvin은 3.0에서 @marvin.fn 데코레이터를 제거했고, LangChain은 1.x 재작성에서 문서를 재편했으며, Outlines는 1.0에서 임포트 구조를 바꿨습니다. 오래된 튜토리얼에서 복사한 코드는 설치 단계에서부터 실패합니다.
Fix: 개발 대상 메이저 버전을 고정하고 API 형태는 최신 문서로 확인하십시오. 블로그 글보다 공식 저장소 README를 우선하고, 메이저 버전을 올릴 때마다 다시 확인하십시오.
LLM에서 structured output이란 무엇입니까?
Structured output은 LLM 응답을 특정 스키마(JSON 형식, 정의된 필드, 유형 제약 조건)로 제한합니다. 자유 형식 텍스트 응답 대신, structured output은 오류 처리 없이 코드가 직접 파싱하고 유효성 검사할 수 있는 데이터를 반환합니다.
Python 개발자에게 어떤 도구가 가장 좋습니까?
Instructor는 가장 인기 있는 Python 옵션입니다. Pydantic 모델을 사용하여 스키마를 정의하고, 자동으로 재시도와 유효성 검사를 처리하며, 주요 LLM API 전부와 Ollama·vLLM을 통한 로컬 모델을 지원합니다. type-safe 멀티 턴 에이전트 대화까지 원한다면 Pydantic AI가 더 잘 맞고, 한 줄짜리 extract나 classify 호출이면 충분하다면 Marvin이 가장 빠릅니다.
Llama와 같은 로컬 모델에서 structured output을 사용할 수 있습니까?
예. Outlines는 로컬 모델을 위한 constrained decoding에 특화되어 있습니다 — transformers, llama.cpp, MLX, vLLM, Ollama와 함께 작동하며 생성 시점에 출력이 스키마에 맞춰 파싱되도록 보장합니다. Instructor와 Pydantic AI도 Ollama·vLLM을 API로 실행하면 지원하고, BAML은 OpenAI 호환 엔드포인트라면 어디서든 작동합니다.
Instructor와 Marvin의 차이점은 무엇입니까?
Instructor는 여러분의 LLM 클라이언트를 래핑하여 자동 재시도와 함께 검증된 Pydantic 모델을 반환하므로 호출을 직접 통제합니다. Marvin 3.x는 Pydantic AI 위에 구축되어 대신 한 줄 헬퍼를 제공합니다: marvin.extract, marvin.cast, marvin.classify. Instructor는 더 명시적이며 복잡한 유효성 검사에 유리하고, Marvin은 단순 추출에 더 간결합니다. 참고로 Marvin 2의 @marvin.fn 데코레이터는 Marvin 3에서 제거되었습니다.
LangChain은 structured output을 지원합니까?
예. LangChain은 ChatOpenAI, ChatAnthropic, ChatGoogleGenerativeAI 등 채팅 모델 클래스에 with_structured_output()을 제공하며, create_agent로 만든 에이전트는 response_format을 받습니다. 1.x 라인부터는 각 공급자의 네이티브 structured output 지원 여부를 하드코딩하지 않고 모델 프로필 데이터에서 읽습니다. 이미 LangChain이나 LangGraph를 사용하고 라이브러리를 변경하지 않고 스키마 준수를 추가하려는 경우 사용하십시오.
Structured output의 신뢰성을 어떻게 테스트합니까?
PromptQuorum을 사용하여 여러 모델에서 동일한 프롬프트를 실행하고 스키마 준수율을 측정하십시오. GPT-5.6, Claude Opus 5, Gemini 3.1 Pro는 신뢰성 수준이 서로 다르고, 작은 로컬 모델은 차이가 더 큽니다. 프로덕션에 배포하기 전에 테스트하고, 로컬에서는 Instructor나 Pydantic으로 검증하십시오.
"constrained decoding"이란 무엇을 의미합니까?
Constrained decoding은 토큰 생성을 스키마에 따라 유효한 값만으로 제한합니다. Outlines는 각 단계에서 다음에 유효한 토큰 집합을 계산하여 이를 수행합니다. 이는 생성 후 유효성 검사나 재시도 없이 출력이 스키마에 맞춰 파싱되도록 보장하므로 단순 API 수준 JSON 모드보다 신뢰할 수 있습니다. 다만 제약하는 것은 구조이지 진실이 아닙니다. 필드는 맞겠지만 값은 여전히 확인이 필요합니다.
BAML은 무엇이며 언제 Instructor 대신 사용해야 합니까?
BAML은 스키마 우선 언어입니다. 스키마와 프롬프트를 .baml 파일에 작성하고 사용 언어에 맞는 타입 클라이언트를 컴파일합니다. 같은 프롬프트를 여러 언어에서 호출할 때 — Python 워커와 TypeScript 프런트엔드가 하나의 계약을 공유하는 경우 — 또는 모델이 거의 유효한 JSON을 반환할 때 Instructor보다 낫습니다. BAML의 스키마 정렬 파서가 마크다운 코드 펜스, 끝에 남은 쉼표, 앞에 붙은 추론 텍스트를 재시도를 태우지 않고 복구하기 때문입니다. 스택이 Python뿐이고 스키마를 평범한 Pydantic 코드로 유지하고 싶다면 Instructor에 머무르십시오.
라이브러리 없이 structured output을 사용할 수 있습니까?
기술적으로 예 — 모델이 JSON을 반환하게 한 다음 직접 파싱할 수 있습니다. 하지만 모델이 여전히 만들어내는 잘못된 형식의 출력에서 파싱이 실패하고, 필드 이름이나 유형을 강제하는 장치도 없습니다. 7가지 도구는 재시도와 함께 유효성 검사(Instructor, Marvin), 디코딩 시 강제(Outlines), 파싱 시 복구(BAML) 또는 공급자 API 래핑(LangChain, Pydantic AI)을 통해 이 문제를 해결합니다.
어떤 도구가 최고의 문서를 가지고 있습니까?
LangChain과 Pydantic AI는 기업 지원으로 인해 가장 포괄적인 문서를 가지고 있습니다. BAML 문서는 언어 자체를 가르쳐야 하는 만큼 신생 프로젝트치고는 유난히 좋습니다. Instructor는 커뮤니티가 유지 관리함에도 불구하고 훌륭한 튜토리얼과 예시를 가지고 있습니다. Outlines 문서는 기술적이지만 포괄적입니다. Marvin 문서는 간결합니다 — Marvin 2 시절 자료가 아직 돌아다니므로 3.x 페이지를 콕 집어 확인하십시오.
7가지 도구가 모두 필요합니까, 아니면 하나만 필요합니까?
하나로 시작하십시오. Python 개발자는 Instructor 또는 Pydantic AI를 시도해야 합니다. 로컬 모델을 사용하는 팀은 Outlines를 시도해야 합니다. 다국어 팀은 BAML을 시도해야 합니다. LangChain 사용자는 with_structured_output()을 시도해야 합니다. PromptQuorum을 사용하여 모든 모델에서 일관성을 검증하십시오. 대부분의 팀은 하나의 도구 + 테스트를 위한 PromptQuorum을 사용합니다.
참고 자료
- Instructor GitHub 저장소 — Instructor 라이브러리의 공식 저장소 및 문서
- Outlines GitHub 저장소 — 보장된 스키마 준수를 위한 constrained decoding
- Pydantic AI 문서 — structured output이 있는 type-safe 에이전트 프레임워크
- LangChain Structured Output 가이드 — LangChain의 통합 structured output API
- BAML 문서 — 스키마 우선 프롬프트 언어와 schema-aligned parsing
- Marvin GitHub 저장소 — Pydantic AI 위에 구축된 태스크 중심 추출 라이브러리