為什麼需要 Structured Output？

在沒有結構化輸出的情況下，即使你在 Prompt 中明確要求 Claude 回傳 JSON 格式，仍然可能遭遇以下問題：

• JSON 語法錯誤：回傳的內容夾帶了說明文字，導致 JSON.parse() 失敗
• 欄位缺失：必要欄位有時出現、有時不出現，後續程式邏輯崩潰
• 型別不一致：預期數字卻收到字串，或陣列變成物件
• 需要重試機制：為了處理格式問題，不得不加入重試邏輯，增加延遲和成本

Structured Output 透過受限解碼（Constrained Decoding）技術，在生成階段就強制 Claude 的輸出遵循指定的 Schema。這意味著：回應永遠是合法的 JSON、欄位型別保證正確、不需要重試機制。

兩種結構化輸出方式

Anthropic 提供了兩種互補的結構化輸出功能，可以獨立使用或在同一個請求中組合使用：

JSON Mode：output_config.format

JSON Mode 是最常用的結構化輸出方式，它讓 Claude 的回應直接以符合你指定 Schema 的 JSON 格式輸出。適用場景包括：資料擷取、分類任務、格式化 API 回應、產生結構化報告等。

基本用法

使用 JSON Mode 的核心是在 API 請求中加入 output_config.format 參數，指定 type: "json_schema" 並附上你的 Schema 定義：

import anthropic

client = anthropic.Anthropic()

response = client.messages.create(
    model="claude-sonnet-4-5-20250514",
    max_tokens=1024,
    messages=[
        {
            "role": "user",
            "content": "從這封信中擷取重要資訊：王小明 (wang@example.com) 對企業方案有興趣，想安排下週二下午兩點的展示會議。",
        }
    ],
    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,
            },
        }
    },
)
print(response.content[0].text)

回應會是合法的 JSON，直接在 response.content[0].text 中取得：

{
  "name": "王小明",
  "email": "wang@example.com",
  "plan_interest": "企業方案",
  "demo_requested": true
}

使用 SDK 輔助工具

各語言的 SDK 提供了更方便的方式定義 Schema，不需要手寫 JSON Schema。以下是 Python（Pydantic）和 TypeScript（Zod）的範例：

from pydantic import BaseModel
from anthropic import Anthropic


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


client = Anthropic()

response = client.messages.parse(
    model="claude-sonnet-4-5-20250514",
    max_tokens=1024,
    messages=[
        {
            "role": "user",
            "content": "從這封信中擷取重要資訊：王小明...",
        }
    ],
    output_format=ContactInfo,
)

# 直接取得型別安全的 Python 物件
contact = response.parsed_output
print(contact.name, contact.email)

import Anthropic from "@anthropic-ai/sdk";
import { z } from "zod";
import { zodOutputFormat } from "@anthropic-ai/sdk/helpers/zod";

const ContactInfoSchema = z.object({
  name: z.string(),
  email: z.string(),
  plan_interest: z.string(),
  demo_requested: z.boolean(),
});

const client = new Anthropic();

const response = await client.messages.parse({
  model: "claude-sonnet-4-5-20250514",
  max_tokens: 1024,
  messages: [
    {
      role: "user",
      content: "從這封信中擷取重要資訊：王小明...",
    },
  ],
  output_config: { format: zodOutputFormat(ContactInfoSchema) },
});

// 自動解析並驗證，取得型別安全的物件
console.log(response.parsed_output);

Strict Tool Use：保證工具參數格式

除了控制 Claude 的回應格式，你也可以在工具定義中加入 strict: true，確保 Claude 呼叫工具時傳入的參數一定符合 Schema。這對於建構可靠的 AI Agent 工作流程至關重要。

import anthropic

client = anthropic.Anthropic()

response = client.messages.create(
    model="claude-sonnet-4-5-20250514",
    max_tokens=1024,
    messages=[
        {"role": "user", "content": "幫我查詢台北到東京的機票"}
    ],
    tools=[
        {
            "name": "search_flights",
            "description": "搜尋可用航班",
            "strict": True,  # 啟用嚴格模式
            "input_schema": {
                "type": "object",
                "properties": {
                    "origin": {
                        "type": "string",
                        "description": "出發城市"
                    },
                    "destination": {
                        "type": "string",
                        "description": "目的地城市"
                    },
                    "date": {
                        "type": "string",
                        "format": "date",
                        "description": "出發日期 (YYYY-MM-DD)"
                    }
                },
                "required": ["origin", "destination", "date"],
                "additionalProperties": False
            }
        }
    ]
)

啟用 strict: true 後，Claude 生成的工具呼叫參數保證符合你定義的 Schema，不會出現缺少必要欄位或型別錯誤的情況。

組合使用 JSON Mode + Strict Tool Use

你可以在同一個請求中同時使用 JSON Mode 和 Strict Tool Use，讓 Claude 的工具呼叫參數和最終回應都受到 Schema 約束：

response = client.messages.create(
    model="claude-sonnet-4-5-20250514",
    max_tokens=1024,
    messages=[
        {"role": "user", "content": "幫我規劃巴黎之旅，5月15日出發"}
    ],
    # JSON Mode：控制最終回應格式
    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
            }
        }
    },
    # Strict Tool Use：保證工具參數格式
    tools=[
        {
            "name": "search_flights",
            "description": "搜尋航班",
            "strict": True,
            "input_schema": {
                "type": "object",
                "properties": {
                    "destination": {"type": "string"},
                    "date": {"type": "string", "format": "date"}
                },
                "required": ["destination", "date"],
                "additionalProperties": False
            }
        }
    ]
)

JSON Schema 定義規則

結構化輸出使用標準 JSON Schema 格式來定義期望的輸出結構。以下是撰寫 Schema 時需要注意的規則：

支援的 Schema 功能

不支援的功能

• 遞迴 Schema：不支援自我引用的結構
• 數值限制：minimum、maximum、multipleOf 等不支援
• 字串長度限制：minLength、maxLength 不支援
• 陣列進階限制：minItems 超過 1、maxItems 不支援
• 外部引用：$ref 指向外部 URL 不支援
• additionalProperties：不能設為 true 或指定 Schema

好消息是，Python 和 TypeScript SDK 會自動轉換不支援的 Schema 特性——移除不支援的限制，並將條件資訊加入欄位描述中，讓 Claude 仍能理解你的意圖。例如 Pydantic 中的 minimum: 100 會被轉換為描述文字「Must be at least 100」。

Schema 複雜度限制

結構化輸出會將 JSON Schema 編譯成文法（Grammar），複雜的 Schema 會產生較大的文法。API 有以下明確限制：

驗證與錯誤處理

雖然結構化輸出在絕大多數情況下保證 Schema 合規，但有兩種特殊情境需要處理：

安全拒絕（Refusal）

當 Claude 基於安全原因拒絕回應時，回傳的 stop_reason 會是 "refusal"。此時輸出可能不符合 Schema，因為拒絕訊息優先於 Schema 限制。你需要在程式中檢查 stop_reason：

response = client.messages.create(
    model="claude-sonnet-4-5-20250514",
    max_tokens=1024,
    messages=[{"role": "user", "content": "..."}],
    output_config={...}
)

# 檢查是否被拒絕
if response.stop_reason == "refusal":
    print("Claude 基於安全原因拒絕了此請求")
elif response.stop_reason == "end_turn":
    # 正常回應，可以安全解析 JSON
    import json
    data = json.loads(response.content[0].text)
    print(data)

Token 上限截斷

當回應因為達到 max_tokens 限制而被截斷時，stop_reason 會是 "max_tokens"。被截斷的 JSON 可能不完整且無法解析。解決方式是增加 max_tokens 值後重試。

完整錯誤處理模式

import json
import anthropic

client = anthropic.Anthropic()

def get_structured_response(prompt, schema):
    """安全地取得結構化輸出"""
    try:
        response = client.messages.create(
            model="claude-sonnet-4-5-20250514",
            max_tokens=4096,
            messages=[{"role": "user", "content": prompt}],
            output_config={
                "format": {
                    "type": "json_schema",
                    "schema": schema
                }
            }
        )
        
        # 檢查停止原因
        if response.stop_reason == "refusal":
            return {"error": "request_refused", "message": "Claude 拒絕處理此請求"}
        
        if response.stop_reason == "max_tokens":
            return {"error": "truncated", "message": "回應被截斷，請增加 max_tokens"}
        
        # 正常解析
        return json.loads(response.content[0].text)
    
    except anthropic.APIError as e:
        return {"error": "api_error", "message": str(e)}

實際應用範例

以下是三個常見的結構化輸出應用場景，展示如何在實際專案中活用這項功能。

範例一：發票資料擷取

從非結構化文字中擷取結構化資料，是 Structured Output 最經典的應用。以下範例展示如何從發票文字中擷取關鍵欄位：

from pydantic import BaseModel
from typing import List
from anthropic import Anthropic


class LineItem(BaseModel):
    description: str
    quantity: int
    unit_price: float


class Invoice(BaseModel):
    invoice_number: str
    date: str
    total_amount: float
    line_items: List[LineItem]
    customer_name: str


client = Anthropic()

invoice_text = """
發票編號：INV-2026-0042
日期：2026年5月15日
客戶：台灣科技股份有限公司

品項：
1. 雲端伺服器租賃 x 12個月 - NT$8,000/月
2. SSL 憑證 x 1 - NT$3,500
3. 技術支援方案 x 1 - NT$15,000

總計：NT$114,500
"""

response = client.messages.parse(
    model="claude-sonnet-4-5-20250514",
    max_tokens=4096,
    output_format=Invoice,
    messages=[
        {"role": "user", "content": f"從以下發票中擷取結構化資料：\n{invoice_text}"}
    ],
)

invoice = response.parsed_output
print(f"發票號碼：{invoice.invoice_number}")
print(f"客戶：{invoice.customer_name}")
print(f"總金額：{invoice.total_amount}")
for item in invoice.line_items:
    print(f"  - {item.description}: {item.quantity} x {item.unit_price}")

範例二：客戶回饋分類

使用結構化輸出進行文字分類，可以同時取得分類標籤、信心分數和情感分析結果：

from pydantic import BaseModel
from typing import List
from anthropic import Anthropic


class FeedbackClassification(BaseModel):
    category: str         # 產品、服務、物流、價格...
    confidence: float     # 0.0 ~ 1.0
    tags: List[str]       # 相關標籤
    sentiment: str        # positive / negative / neutral
    summary: str          # 一句話摘要


client = Anthropic()

feedbacks = [
    "產品品質很好，但物流速度太慢了，等了快兩週才收到",
    "客服態度非常好，幫我快速解決了退款問題",
    "價格比競品貴了不少，希望能有更多折扣方案",
]

for feedback in feedbacks:
    response = client.messages.parse(
        model="claude-sonnet-4-5-20250514",
        max_tokens=1024,
        output_format=FeedbackClassification,
        messages=[
            {"role": "user", "content": f"分類以下客戶回饋：{feedback}"}
        ],
    )
    result = response.parsed_output
    print(f"類別：{result.category} | 情感：{result.sentiment}")
    print(f"信心度：{result.confidence} | 標籤：{', '.join(result.tags)}")
    print(f"摘要：{result.summary}")
    print("---")

範例三：結構化分析報告

生成包含多層巢狀結構的分析報告，適合用於自動化報表系統：

from pydantic import BaseModel
from typing import List, Optional
from anthropic import Anthropic


class Metric(BaseModel):
    name: str
    value: float
    unit: str
    trend: str  # up / down / stable


class Recommendation(BaseModel):
    priority: str        # high / medium / low
    action: str
    expected_impact: str


class AnalysisReport(BaseModel):
    title: str
    executive_summary: str
    key_metrics: List[Metric]
    strengths: List[str]
    weaknesses: List[str]
    recommendations: List[Recommendation]
    risk_level: str      # low / medium / high


client = Anthropic()

response = client.messages.parse(
    model="claude-sonnet-4-5-20250514",
    max_tokens=4096,
    output_format=AnalysisReport,
    messages=[
        {
            "role": "user",
            "content": """分析以下業務數據並產生報告：
            Q1 營收：NT$2,500萬（年增 15%）
            客戶留存率：87%（下降 3%）
            新客戶數：156（年增 22%）
            平均客單價：NT$12,000（持平）
            客訴率：2.1%（上升 0.5%）"""
        }
    ],
)

report = response.parsed_output
print(f"報告：{report.title}")
print(f"摘要：{report.executive_summary}")
print(f"風險等級：{report.risk_level}")

Prompt Engineering 搭配結構化輸出

雖然結構化輸出保證了格式的正確性，但回應的內容品質仍然取決於你的 Prompt。以下是幾個搭配使用的技巧：

1. 在 Schema 中加入描述：善用 JSON Schema 的 description 欄位，告訴 Claude 每個欄位期望的內容。例如 "confidence": {"type": "number", "description": "介於 0 到 1 之間的信心分數"}
2. 使用 enum 限制值域：對於有限選項的欄位，使用 enum 限制可選值。例如 "sentiment": {"type": "string", "enum": ["positive", "negative", "neutral"]}
3. 在 Prompt 中提供範例：即使有 Schema 限制，在 Prompt 中附上一個期望輸出的範例，仍能顯著提升回應品質
4. 善用 System Prompt：在 system 訊息中設定角色和任務背景，讓 Claude 更準確地理解你需要的資訊
5. 分層設計 Schema：對於複雜輸出，使用巢狀物件和陣列來組織結構，而不是把所有欄位放在最外層

效能考量與最佳實踐

使用結構化輸出時，有幾個效能面向需要注意：

文法編譯與快取

• 首次請求延遲：第一次使用特定 Schema 時，需要額外時間編譯文法
• 自動快取：編譯後的文法會快取 24 小時，後續請求速度更快
• 快取失效：修改 Schema 結構或工具集合會使快取失效（僅修改 name 或 description 不會）

Token 成本

使用結構化輸出時，Claude 會自動收到一個額外的系統提示來說明輸出格式，這意味著你的輸入 Token 數會略微增加。此外，修改 output_config.format 會使 Prompt Cache 失效。

降低複雜度的策略

1. 只對關鍵工具啟用 strict：不需要每個工具都開 strict: true，Claude 本身就有不錯的 Schema 遵循能力
2. 減少可選參數：盡量將參數設為 required，每個可選參數都會大幅增加文法的狀態空間
3. 簡化巢狀結構：深層巢狀加上可選欄位會使複雜度倍增，盡量扁平化
4. 分拆請求：如果工具數量太多，考慮拆成多個請求或使用 Sub-Agent 架構

支援的模型與平台

結構化輸出目前已在以下模型和平台上正式可用（GA）：

在 Microsoft Foundry 上目前仍為 Beta 階段。

功能相容性

結構化輸出可以與大部分 API 功能搭配使用，但有部分例外需要注意：

延伸閱讀

• Anthropic 官方文件：Structured Outputs
• Anthropic 官方文件：Tool Use Overview
• Anthropic 官方文件：Increase Output Consistency
• Anthropic Cookbook：Extracting Structured JSON
• JSON Schema 官方指南

總結

Structured Output 是 Anthropic API 中非常實用的功能，它從根本上解決了 LLM 輸出格式不穩定的問題。透過 output_config.format（JSON Mode）和 strict: true（Strict Tool Use）兩種方式，你可以確保 Claude 的每一次回應都是合法、可解析、符合 Schema 的結構化資料。

在實際應用中，建議從簡單的 Schema 開始，善用 SDK 提供的 Pydantic / Zod 輔助工具，並搭配良好的 Prompt Engineering 來提升內容品質。隨著你對功能的熟悉，可以逐步處理更複雜的巢狀結構和多工具場景。

下一篇文章中，我們將探討更多 Anthropic API 的進階功能。敬請期待！

ㄚ槌

blog.che-ya.com