结构化输出

"Structured outputs"（结构化输出）将 Claude 的响应约束为遵循特定的 schema（模式），确保输出有效、可解析，便于下游处理。结构化输出提供两个互补的功能：

• JSON 输出（output_config.format）：以特定的 JSON 格式获取 Claude 的响应，例如从图像或文本中提取数据、生成结构化报告或格式化 API 响应。本页介绍 JSON 输出。
• "Strict tool use"（严格工具使用）（strict: true）：保证对工具名称和输入进行 schema 验证。请参阅严格工具使用。

您可以单独使用这些功能，也可以在同一请求中一起使用。

为什么使用结构化输出

如果不使用结构化输出，Claude 可能会生成格式错误的 JSON 响应或无效的工具输入，从而破坏您的应用程序。即使精心设计提示，您仍可能遇到：

• 无效 JSON 语法导致的解析错误
• 缺少必填字段
• 数据类型不一致
• 需要错误处理和重试的 schema 违规

结构化输出通过约束解码保证响应符合 schema：

• 始终有效： 不再出现 JSON.parse() 错误
• 类型安全： 保证字段类型和必填字段
• 可靠： 无需因 schema 违规而重试

工作原理

1. 1

   定义您的 schema

   将您想要的结构描述为 JSON schema 或您所用语言中的类型。该 schema 遵循 JSON Schema，但有一些限制。

2. 2

   在 output_config.format 中发送

   请求在 output_config.format 中携带 schema，并设置 type: "json_schema"。SDK 辅助工具会为您完成此设置。

3. 3

   读取响应

   Claude 会在响应的文本内容块中返回与您的 schema 匹配的有效 JSON。SDK 辅助工具会将其解析为您的类型。

用法

from pydantic import BaseModel
# ...


class ContactInfo(BaseModel):
    name: str
    email: str
    plan_interest: str
    demo_requested: bool


client = Anthropic()

response = client.messages.parse(
    model="claude-opus-5-5",
    max_tokens=1024,
    messages=[
        {
            "role": "user",
            "content": (
                "Extract the key information from this email: "
                "John Smith (john@example.com) is interested in our Enterprise plan "
                "and wants to schedule a demo for next Tuesday at 2pm."
            ),
        }
    ],
    output_format=ContactInfo,
)

print(response.parsed_output)

name='John Smith' email='john@example.com' plan_interest='Enterprise' demo_requested=True

SDK 转换的工作原理

大多数 SDK 辅助工具会转换使用了不受支持功能的 schema。转换步骤如下：

1. 移除不受支持的约束（例如 minimum、maximum、minLength、maxLength）
2. 更新描述，将每个不受支持的约束添加到字段的描述中（例如 {minimum: 100}）
3. 为所有对象添加 additionalProperties: false
4. 过滤字符串格式，仅保留受支持的列表
5. 如果辅助工具会验证响应，则根据您的原始 schema 及其所有约束验证响应

Claude 接收的是简化后的 schema，但会验证响应的辅助工具仍会在您的代码中强制执行每一项约束。

示例： 带有 minimum: 100 的字段在发送的 schema 中会变成普通整数，SDK 会将 {minimum: 100} 添加到该字段的描述中。会验证响应的辅助工具仍会根据 minimum: 100 检查响应。

使用原始 JSON schema

如果 JSON schema 来自文件、OpenAPI 规范或在运行时构建它的代码，请将其传入 output_config.format。

client = anthropic.Anthropic()

response = client.messages.create(
    model="claude-opus-5-5",
    max_tokens=1024,
    messages=[
        {
            "role": "user",
            "content": (
                "Extract the key information from this email: "
                "John Smith (john@example.com) is interested in our Enterprise plan "
                "and wants to schedule a demo for next Tuesday at 2pm."
            ),
        }
    ],
    output_config={
        "format": {
            "type": "json_schema",
            "schema": {
                "type": "object",
                "properties": {
                    "name": {"type": "string"},
                    "email": {"type": "string"},
                    "plan_interest": {"type": "string"},
                    "demo_requested": {"type": "boolean"},
                },
                "required": ["name", "email", "plan_interest", "demo_requested"],
                "additionalProperties": False,
            },
        }
    },
)
text = next(block.text for block in response.content if block.type == "text")
contact = json.loads(text)
print(contact)

{'name': 'John Smith', 'email': 'john@example.com', 'plan_interest': 'Enterprise', 'demo_requested': True}

常见用例

from pydantic import BaseModel


class Invoice(BaseModel):
    invoice_number: str
    date: str
    total_amount: float
    line_items: list[dict]
    customer_name: str


client = anthropic.Anthropic()
invoice_text = "Invoice #12345, Date: 2024-01-15, Total: $500.00"

response = client.messages.parse(
    model="claude-opus-5-5",
    max_tokens=4096,
    output_format=Invoice,
    messages=[
        {"role": "user", "content": f"Extract invoice data from: {invoice_text}"}
    ],
)

print(response.parsed_output)

from pydantic import BaseModel

client = Anthropic()


class Classification(BaseModel):
    category: str
    confidence: float
    tags: list[str]
    sentiment: str


feedback_text = "Great product, but the delivery was slow."
response = client.messages.parse(
    model="claude-opus-5-5",
    max_tokens=1024,
    output_format=Classification,
    messages=[{"role": "user", "content": f"Classify this feedback: {feedback_text}"}],
)

print(response.parsed_output)

from pydantic import BaseModel

client = Anthropic()


class APIResponse(BaseModel):
    status: str
    data: dict
    errors: list[dict] | None
    metadata: dict


response = client.messages.parse(
    model="claude-opus-5-5",
    max_tokens=1024,
    output_format=APIResponse,
    messages=[{"role": "user", "content": "Process this request: ..."}],
)

print(response.parsed_output)

严格工具使用

若要通过语法约束采样对工具输入强制执行 JSON Schema 合规性，请参阅严格工具使用。

同时使用两种功能

JSON 输出和严格工具使用解决不同的问题，并且可以协同工作：

• JSON 输出控制 Claude 的响应格式（Claude 说什么）
• 严格工具使用验证工具参数（Claude 如何调用您的函数）

组合使用时，Claude 可以使用保证有效的参数调用工具，并且返回结构化的 JSON 响应。这对于既需要可靠的工具调用又需要结构化最终输出的智能体工作流非常有用。

response = client.messages.create(
    model="claude-opus-5-5",
    max_tokens=1024,
    messages=[
        {
            "role": "user",
            "content": "Help me plan a trip to Paris departing May 15, 2026",
        }
    ],
    # JSON 输出：结构化响应格式
    output_config={
        "format": {
            "type": "json_schema",
            "schema": {
                "type": "object",
                "properties": {
                    "summary": {"type": "string"},
                    "next_steps": {"type": "array", "items": {"type": "string"}},
                },
                "required": ["summary", "next_steps"],
                "additionalProperties": False,
            },
        }
    },
    # 严格工具使用：保证工具参数符合规范
    tools=[
        {
            "name": "search_flights",
            "strict": True,
            "input_schema": {
                "type": "object",
                "properties": {
                    "destination": {"type": "string"},
                    "date": {"type": "string", "format": "date"},
                },
                "required": ["destination", "date"],
                "additionalProperties": False,
            },
        }
    ],
)

print(response)

重要注意事项

语法编译与缓存

结构化输出使用基于已编译语法产物的约束采样。这会带来一些需要注意的性能特征：

• 首次请求延迟： 首次使用特定 schema 时，语法编译会带来额外的延迟
• 自动缓存： 已编译的语法自上次使用起缓存 24 小时，使后续请求快得多
• 缓存失效： 如果您更改以下内容，缓存将失效：
  • JSON schema 结构
  • 请求中的工具集合（当同时使用结构化输出和工具使用时）
  • 仅更改 name 或 description 字段不会使缓存失效

提示修改与令牌成本

使用结构化输出时，Claude 会自动收到一段额外的系统提示，说明预期的输出格式。这意味着：

• 您的输入令牌数会略有增加
• 注入的提示与任何其他系统提示一样会消耗令牌
• 更改 output_config.format 参数会使该对话线程的任何提示缓存失效

JSON Schema 限制

结构化输出支持标准 JSON Schema，但有一些限制。JSON 输出和严格工具使用共享这些限制。

属性顺序

使用结构化输出时，对象中的属性会保持您在 schema 中定义的顺序，但有一个重要的注意事项：必填属性排在前面，可选属性排在后面。

例如，给定以下 schema：

{
  "type": "object",
  "properties": {
    "notes": { "type": "string" },
    "name": { "type": "string" },
    "email": { "type": "string" },
    "age": { "type": "integer" }
  },
  "required": ["name", "email"],
  "additionalProperties": false
}

输出中的属性顺序为：

1. name（必填，按 schema 顺序）
2. email（必填，按 schema 顺序）
3. notes（可选，按 schema 顺序）
4. age（可选，按 schema 顺序）

这意味着输出可能如下所示：

{
  "name": "John Smith",
  "email": "john@example.com",
  "notes": "Interested in enterprise plan",
  "age": 35
}

如果输出中的属性顺序对您的应用程序很重要，请将所有属性标记为必填，或在解析逻辑中考虑这种重新排序。

无效输出

虽然结构化输出在大多数情况下保证符合 schema，但在某些场景下输出可能与您的 schema 不匹配：

拒绝（stop_reason: "refusal"）

即使使用结构化输出，Claude 仍会保持其安全性和有用性特性。如果 Claude 出于安全原因拒绝请求：

• 响应的 stop_reason: "refusal"
• 您将收到 200 状态码
• 您将为生成的令牌付费
• 输出可能与您的 schema 不匹配，因为拒绝消息优先于 schema 约束

要求提供模型思考过程或逐步推理的属性可能会导致 reasoning_extraction 拒绝。请改为要求提供简短的解释。请参阅将推理保留在思考块中。

达到令牌限制（stop_reason: "max_tokens"）

如果响应因达到 max_tokens 限制而被截断：

• 响应的 stop_reason: "max_tokens"
• 输出可能不完整且与您的 schema 不匹配
• 请使用更高的 max_tokens 值重试，以获取完整的结构化输出

枚举值大小写

结构化输出不保证字符串 enum 和 const 值的大小写：Claude 可能返回一个仅在大小写上与您的 schema 不同的值，通常是空格后单词的首字母。例如，给定以下 schema：

{
  "type": "string",
  "enum": ["Conversation Topic 1", "Conversation Topic 2", "Conversation topic 3"]
}

输出可能包含 "Conversation Topic 3"（大写 "T"），即使该确切值不在枚举中。响应会正常完成，没有错误，也没有特殊的 stop_reason。这同时适用于 JSON 输出和严格工具使用。请以不区分大小写的方式比较枚举值，并避免使用仅在大小写上不同的枚举值。

Schema 复杂度限制

结构化输出的工作方式是将您的 JSON schema 编译为约束 Claude 输出的语法。更复杂的 schema 会生成更大的语法，编译时间更长。为防止编译时间过长，API 强制执行若干复杂度限制。

显式限制

以下限制适用于所有带有 output_config.format 或 strict: true 的请求：

其他内部限制

除上表中的显式限制外，对已编译语法的大小还有其他内部限制。这些限制之所以存在，是因为 schema 复杂度无法归结为单一维度：可选参数、联合类型、嵌套对象和工具数量等功能会相互作用，可能使已编译的语法变得不成比例地庞大。

当超出这些限制时，您将收到消息为 "Schema is too complex for compilation." 的 400 错误。这些错误意味着您的 schema 的综合复杂度超出了可高效编译的范围，即使上表中的每个单独限制都已满足。作为最后的保障措施，API 还强制执行 180 秒的编译超时。通过所有显式检查但生成非常大的已编译语法的 schema 可能会触发此超时。

降低 schema 复杂度的技巧

如果您遇到复杂度限制，请按顺序尝试以下策略：

1. 仅将关键工具标记为严格。 如果您有许多工具，请将严格模式保留给 schema 违规会造成实际问题的工具，而对较简单的工具依赖 Claude 的自然遵循能力。

2. 减少可选参数。 尽可能将参数设为 required。每个可选参数大致会使语法状态空间的一部分翻倍。如果某个参数始终有合理的默认值，请考虑将其设为必填，并让 Claude 显式提供该默认值。

3. 简化嵌套结构。 带有可选字段的深层嵌套对象会使复杂度叠加。尽可能扁平化结构。

4. 拆分为多个请求。 如果您有许多严格工具，请考虑将它们拆分到不同的请求或子智能体中。

如果有效的 schema 持续出现问题，请携带您的 schema 定义联系支持团队。

从 beta 版迁移

output_format 参数已移至 output_config.format，并且不再需要 beta 标头。output_format 参数已弃用，将来会被移除。如果仍要使用它，请添加 structured-outputs-2025-11-13 beta 标头。如果没有该标头，API 将返回 400 错误。

Python SDK（v1.0 及更高版本）不接受在 client.beta.messages.create() 或 count_tokens() 上使用 output_format={...}，并会引发 TypeError。请改用 output_config。有关更新后的 API 形式，请参阅使用原始 JSON schema。

数据保留

使用结构化输出时，提示和响应按 ZDR 处理。但是，出于优化目的，JSON schema 本身会自上次使用起临时缓存最多 24 小时。除 API 响应外，不会保留任何提示或响应数据。

结构化输出符合 HIPAA 资格，但 JSON schema 定义中不得包含 PHI。API 会将 JSON schema 编译为语法，这些语法与消息内容分开缓存，并且这些缓存的 schema 不享有与提示和响应相同的 PHI 保护。请勿在 schema 属性名、enum 值、const 值或 pattern 正则表达式中包含 PHI。PHI 应仅出现在消息内容（提示和响应）中，在那里它受 HIPAA 保障措施的保护。

有关所有功能的 ZDR 和 HIPAA 资格，请参阅 API 与数据保留。

功能兼容性

兼容：

• 批处理： 以 50% 的折扣大规模处理结构化输出
• 令牌计数： 无需编译即可计数令牌
• 流式传输： 像普通响应一样流式传输结构化输出
• 组合使用： 在同一请求中同时使用 JSON 输出（output_config.format）和严格工具使用（strict: true）

不兼容：

• 引用： 引用需要将引用块与文本交错，这与严格的 JSON schema 约束冲突。如果在启用引用的同时使用 output_config.format，将返回 400 错误。
• 消息预填充： 与 JSON 输出不兼容

后续步骤

Compatibility