Notatka

Chmura Ollamy obecnie nie obsługuje strukturalnych danych wyjściowych.

Strukturalne dane wyjściowe pozwalają wymusić schemat JSON w odpowiedziach modelu, dzięki czemu można niezawodnie wyodrębniać strukturalne dane, opisywać obrazy lub utrzymywać spójność wszystkich odpowiedzi.

Generowanie strukturalnego JSON

cURL

```shell
curl -X POST http://localhost:11434/api/chat -H "Content-Type: application/json" -d '{
  "model": "gpt-oss",
  "messages": [{"role": "user", "content": "Tell me about Canada in one line"}],
  "stream": false,
  "format": "json"
}'
```

Python

```python
from ollama import chat

response = chat(
  model='gpt-oss',
  messages=[{'role': 'user', 'content': 'Tell me about Canada.'}],
  format='json'
)
print(response.message.content)
```

JavaScript

```javascript
import ollama from 'ollama'

const response = await ollama.chat({
  model: 'gpt-oss',
  messages: [{ role: 'user', content: 'Tell me about Canada.' }],
  format: 'json'
})
console.log(response.message.content)
```

Generowanie strukturalnego JSON ze schematem

Przekaż schemat JSON do pola format.

Notatka

Najlepiej jest również przekazać schemat JSON jako ciąg znaków w zapytaniu, aby odpowiedź modelu była zgodna z podanym schematem.

cURL

```shell
curl -X POST http://localhost:11434/api/chat -H "Content-Type: application/json" -d '{
  "model": "gpt-oss",
  "messages": [{"role": "user", "content": "Tell me about Canada."}],
  "stream": false,
  "format": {
    "type": "object",
    "properties": {
      "name": {"type": "string"},
      "capital": {"type": "string"},
      "languages": {
        "type": "array",
        "items": {"type": "string"}
      }
    },
    "required": ["name", "capital", "languages"]
  }
}'
```

Python

Użyj modeli Pydantic i przekaż `model_json_schema()` do pola `format`, a następnie zwaliduj odpowiedź:

```python
from ollama import chat
from pydantic import BaseModel

class Country(BaseModel):
  name: str
  capital: str
  languages: list[str]

response = chat(
  model='gpt-oss',
  messages=[{'role': 'user', 'content': 'Tell me about Canada.'}],
  format=Country.model_json_schema(),
)

country = Country.model_validate_json(response.message.content)
print(country)
```

JavaScript

Seryalizuj schemat Zod za pomocą `z.toJSONSchema()` i sparsuj strukturalną odpowiedź:

```javascript
import ollama from 'ollama'
import * as z from 'zod'

const Country = z.object({
  name: z.string(),
  capital: z.string(),
  languages: z.array(z.string()),
})

const response = await ollama.chat({
  model: 'gpt-oss',
  messages: [{ role: 'user', content: 'Tell me about Canada.' }],
  format: z.toJSONSchema(Country),
})

const country = Country.parse(JSON.parse(response.message.content))
console.log(country)
```

Przykład: Wyodrębnianie strukturalnych danych

Zdefiniuj obiekty, które chcesz otrzymać, i pozwól modelowi wypełnić pola:

from ollama import chat
from pydantic import BaseModel

class Pet(BaseModel):
  name: str
  animal: str
  age: int
  color: str | None
  favorite_toy: str | None

class PetList(BaseModel):
  pets: list[Pet]

response = chat(
  model='gpt-oss',
  messages=[{'role': 'user', 'content': 'I have two cats named Luna and Loki...'}],
  format=PetList.model_json_schema(),
)

pets = PetList.model_validate_json(response.message.content)
print(pets)

Przykład: Wizja ze strukturalnymi danymi wyjściowymi

Modele wizyjne akceptują ten sam parametr format, co umożliwia deterministyczne opisy obrazów:

from ollama import chat
from pydantic import BaseModel
from typing import Literal, Optional

class Object(BaseModel):
  name: str
  confidence: float
  attributes: str

class ImageDescription(BaseModel):
  summary: str
  objects: list[Object]
  scene: str
  colors: list[str]
  time_of_day: Literal['Morning', 'Afternoon', 'Evening', 'Night']
  setting: Literal['Indoor', 'Outdoor', 'Unknown']
  text_content: Optional[str] = None

response = chat(
  model='gemma4',
  messages=[{
    'role': 'user',
    'content': 'Describe this photo and list the objects you detect.',
    'images': ['path/to/image.jpg'],
  }],
  format=ImageDescription.model_json_schema(),
  options={'temperature': 0},
)

image_description = ImageDescription.model_validate_json(response.message.content)
print(image_description)

Wskazówki dotyczące niezawodnych strukturalnych danych wyjściowych

• Definiuj schematy za pomocą Pydantic (Python) lub Zod (JavaScript), aby można było ich ponownie użyć do walidacji.
• Obniż temperaturę (np. ustaw ją na 0), aby uzyskać bardziej deterministyczne odpowiedzi.
• Strukturalne dane wyjściowe działają przez API zgodne z OpenAI za pomocą parametru response_format