[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-structured-output::ru":3,"gloss-cluster-structured-output::ru":20,"gloss-next-structured-output::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"structured-output","prompt-eng","Структурированный вывод","Структурированный вывод — это возможность API LLM, которая ограничивает генерацию так, чтобы она соответствовала схеме, предоставленной разработчиком — чаще всего JSON Schema, — гарантируя не только синтаксически валидный вывод (как в базовом режиме JSON), но и вывод, который соответствует точным именам полей, типам, обязательным полям, перечислениям (enum) и структуре вложенности. Обычно реализуется под капотом через constrained decoding (ограниченное декодирование) — процесс генерации токенов моделью на каждом шаге ограничивается только теми токенами, которые сохраняют вывод валидным по схеме, — или через тот же механизм, что питает вызов инструментов\u002Fфункций, где вызываемый «инструмент» на самом деле является просто определением схемы для желаемой формы ответа, а не реально исполняемой функцией. Anthropic, OpenAI и Google предлагают ту или иную форму этого (Claude и OpenAI — через структурированный вывод на основе использования инструментов\u002Ffunction calling со строгим режимом; Gemini — через responseSchema), и это стало одним из важнейших примитивов надёжности для продакшен-приложений на LLM, поскольку устраняет целую категорию багов интеграции на уровне API, а не требует логики валидации и повторных попыток на стороне приложения. Для разработчиков SaaS структурированный вывод — это разница между «ИИ-функция работает в 97% случаев и нуждается в запасном пути для остальных 3%» и «ИИ-функция гарантированно соответствует схеме каждый раз», что чрезвычайно важно для всего, что пишет в базу данных, заполняет типизированный компонент интерфейса или питает нижестоящий автоматизированный пайплайн (вроде инструментов автоматизации рабочих процессов без кода\u002Fс минимумом кода, таких как Make.com или Zapier). Соображения по дизайну включают: держать схемы настолько простыми, насколько разумно возможно (глубоко вложенные или очень большие схемы могут всё ещё снижать качество вывода модели даже при ограниченном декодировании); использовать enum везде, где поле имеет известный конечный набор значений (значительно повышает согласованность по сравнению с полями свободного текста); и добавлять описание к каждому полю схемы, поскольку провайдеры, как правило, используют эти описания, чтобы направлять то, что модель должна туда поместить — сама схема становится частью эффективного промпта. Разобранный пример: SaaS-инструмент для квалификации лидов определяет такую схему для своей ИИ-функции резюмирования звонков: {\"lead_score\": integer (1-100), \"next_action\": enum[\"schedule_demo\", \"send_pricing\", \"nurture\", \"disqualify\"], \"key_objections\": array of strings, \"summary\": string (max 200 chars)}. Каждая расшифровка звонка, обработанная через эту ограниченную схемой конечную точку, возвращает ответ, который CRM может вставить напрямую в типизированные столбцы базы данных без какой-либо логики парсинга и без риска, что недопустимое значение next_action когда-либо попадёт в воронку продаж — ограничение enum делает значение вне словаря структурно невозможным, а не просто маловероятным.","Структурированный вывод ограничивает ответ модели заранее заданной схемой (например, JSON Schema), гарантируя валидный синтаксис и правильные поля\u002Fтипы.",null,[11,14,17],{"slug":12,"name":13},"function-calling","Вызов функций (Function Calling \u002F Tool Use)",{"slug":15,"name":16},"json-mode","Режим JSON",{"slug":18,"name":19},"output-formatting","Форматирование вывода",[21,25,28,31,35,38,41,44,47,50,53,56],{"slug":22,"category":5,"name":23,"updated_at":24},"analogical-prompting","Analogical Prompting","2026-08-24T02:46:37+00:00",{"slug":26,"category":5,"name":27,"updated_at":24},"automatic-prompt-optimization","Автоматическая оптимизация промптов",{"slug":29,"category":5,"name":30,"updated_at":24},"chain-of-density","Цепочка плотности (CoD)",{"slug":32,"category":5,"name":33,"updated_at":34},"chain-of-thought-prompting","Chain-of-thought-промптинг (промптинг с цепочкой рассуждений)","2026-08-24T02:46:36+00:00",{"slug":36,"category":5,"name":37,"updated_at":24},"chain-of-verification","Chain-of-Verification",{"slug":39,"category":5,"name":40,"updated_at":34},"chunking","Чанкинг (Chunking)",{"slug":42,"category":5,"name":43,"updated_at":34},"constrained-decoding","Ограниченное декодирование (Constrained Decoding)",{"slug":45,"category":5,"name":46,"updated_at":34},"context-stuffing","Переполнение контекста (Context Stuffing)",{"slug":48,"category":5,"name":49,"updated_at":34},"delimiter","Разделитель (Delimiter)",{"slug":51,"category":5,"name":52,"updated_at":24},"directional-stimulus-prompting","Directional Stimulus Prompting",{"slug":54,"category":5,"name":55,"updated_at":24},"emotion-prompting","Emotion Prompting",{"slug":57,"category":5,"name":58,"updated_at":34},"few-shot-prompting","Few-shot-промптинг (промптинг с примерами)"]