Как работает structured output
Обычный ответ языковой модели — это связный текст: красиво для человека, неудобно для программы. Structured output переводи́т контракт между моделью и приложением в строгую форму: приложением заранее описывается схема — список полей, их типы, допустимые значения, обязательность, — и модель обязана уложиться в неё.
- Описание схемы. Приложение передаёт модели JSON-схему: например, для извлечения реквизитов договора — поля «номер», «дата», «стороны», «сумма», «тип: string/number/date».
- Ограниченная генерация. Современные API на уровне декодирования токенов не дают модели нарушить формат: она физически не может добавить «вводное слово» или забыть скобку.
- Валидация и повтор. Если схема всё же нарушена (или поддержка ограничения в API неполная), обвязка проверяет ответ валидатором и автоматически переспрашивает модель с указанием ошибки.
- Передача в систему. Гарантированно валидный JSON уходит в 1С, CRM, базу — без «рук» и ручного разбора.
Пример: из письма — в поля заявки
| Поле схемы | Тип | Пример значения из письма |
|---|---|---|
| org_name | string | ООО «Вектор» |
| inn | string, 10|12 цифр | 7701234567 |
| request_type | enum: заявка|жалоба|консультация | заявка |
| amount | number|null | 145000 |
| deadline | date|null | 2026-10-15 |
Модель читает свободный текст письма и возвращает ровно эти поля — дальше код приложения работает с данными, а не с текстом. Отсутствующие значения помечаются null, а не «придумываются»: это задаётся в схеме и инструкции.
Где structured output встречается в бизнесе
- Извлечение данных из документов. Договоры, акты, счета, сканы — реквизиты попадают прямо в поля учётной системы; в связке с OCR и VLM закрываются и сканы (практика — OCR-извлечение данных).
- Интеграции LLM в 1С и CRM. Классификация обращений, автозаполнение карточек, разбор заявок из почты — везде, где модель должна «говорить» с базой, а не с человеком.
- Контроль ответов RAG. Схема заставляет ассистента возвращать не только текст, но и ссылку на источник — цитату из RAG-базы, что делает ответ проверяемым.
- Агентные цепочки. Шаг агента получает результат предыдущего шага строго в схеме — иначе длинные цепочки рассыпаются на «почти правильном» тексте.
Ограничения
Схема — не истина. Формат гарантируется, значения — нет: модель может вписать в поле «сумма» число из соседнего документа или «додумать» ИНН. Критичные поля сверяются со справочниками и источником. Пере-упрощение. Не всё укладывается в поля: сложные юридические формулировки иногда важнее табличной структуры — гибрид «схема + текстовое примечание» решает типовые конфликты. Стоимость повторов. При слабой поддержке схем обвязка переспрашивает модель; на потоке это заметно в токен-бюджете — ещё один аргумент за API с честной поддержкой режима.
Сколько стоит контур извлечения (сентябрь 2026)
Прототип извлечения одного типа документов со схемой — от 90 000 ₽; пилот с валидацией, справочниками и выгрузкой в учётную систему — от 480 000 ₽ за 4–6 недель; промышленный контур с несколькими типами документов и контролем качества — от 690 000 ₽. Для оценки: закрытые в сентябре 2026 госзакупки ассистент-класса (внутри них — извлечение и классификация) заключались за 630 000 и 1 200 000 ₽.
Как начать
Выбирается один тип документа с большой ручной рутиной (входящие счета или обращения), описывается схема полей и правила валидации, собирается тестовая выборка из 50–100 документов с эталонами — и замеряется точность заполнения полей до автоматизации. Такие контуры строят LLM-интеграции и команда LLM-направления new-sst.ru; смежный механизм — function calling.