Note

Ollama Cloud ปัจจุบันยังไม่รองรับเอาต์พุตที่มีโครงสร้าง

เอาต์พุตที่มีโครงสร้างช่วยให้คุณบังคับใช้ JSON schema กับคำตอบของโมเดล เพื่อให้สามารถสกัดข้อมูลที่มีโครงสร้างได้อย่างเชื่อถือได้ อธิบายรูปภาพ หรือทำให้คำตอบทุกข้อมีความสอดคล้องกัน

การสร้าง JSON ที่มีโครงสร้าง

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)
```

การสร้าง JSON ที่มีโครงสร้างพร้อมกับ schema

ส่ง JSON schema ไปยังฟิลด์ format

Note

วิธีที่ดีที่สุดคือส่ง JSON schema ในรูปแบบสตริงไปพร้อมกับ prompt ด้วย เพื่อให้คำตอบของโมเดลสอดคล้องกับ schema ที่กำหนด

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

ใช้โมเดล Pydantic และส่งค่าที่ได้จาก `model_json_schema()` ไปยังฟิลด์ `format` จากนั้นตรวจสอบความถูกต้องของคำตอบ:

```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

ใช้ `z.toJSONSchema()` เพื่อ serialize schema ของ Zod และแยกวิเคราะห์คำตอบที่มีโครงสร้าง:

```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)
```

ตัวอย่าง: สกัดข้อมูลที่มีโครงสร้าง

กำหนดออบเจ็กต์ที่คุณต้องการให้โมเดลส่งกลับ และให้โมเดลเติมข้อมูลในฟิลด์ต่างๆ:

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)

ตัวอย่าง: การใช้กับโมเดลวิสชันพร้อมเอาต์พุตที่มีโครงสร้าง

โมเดลวิสชันรองรับพารามิเตอร์ format เหมือนกัน ซึ่งช่วยให้สามารถสร้างคำอธิบายรูปภาพที่ deterministic ได้:

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)

เคล็ดลับสำหรับเอาต์พุตที่มีโครงสร้างที่เชื่อถือได้

• กำหนด schema โดยใช้ Pydantic (สำหรับ Python) หรือ Zod (สำหรับ JavaScript) เพื่อให้สามารถนำไปใช้ในการตรวจสอบความถูกต้อง ซ้ำได้
• ลดค่า temperature (เช่น ตั้งค่าเป็น 0) เพื่อให้ได้ผลลัพธ์ที่ deterministic มากขึ้น
• เอาต์พุตที่มีโครงสร้างสามารถใช้งานได้ผ่าน API ที่เข้ากันได้กับ OpenAI โดยใช้พารามิเตอร์ response_format