结构化数据的超强功能：对比OpenAI与DeepSeek的结构化输出

OpenAI 的 Chat Completions API 和 DeepSeek 的 API 都提供了结构化输出功能，确保模型返回符合预期的 JSON 数据。目前来看，OpenAI的这一功能相对比较完善，DeepSeek还在探索和更新阶段，不过DeepSeek的API也是支持这一功能的。

---

什么是结构化输出？

结构化输出是指通过定义特定的数据格式（通常是 JSON），让模型生成可预测、可直接使用的响应。相比传统的自由文本输出，它在生产环境中更可靠，适用于数据提取、界面渲染或工作流驱动等场景。

• OpenAI 的方式：通过 response_format 参数和 strict: true，强制模型遵循指定的 JSON 架构。
• DeepSeek 的方式：通过 response_format={“type”: “json_object”} 和提示工程，引导模型输出 JSON。这种方式OpenAI也是支持的。

---

实现方式对比

OpenAI 的结构化输出

OpenAI 的 Chat Completions API 提供了一种强大的结构化输出机制。开发者可以通过 json_schema 定义详细的模式，并启用 strict: true 确保严格遵守。这种方式适合需要高精度和复杂结构的场景。

核心代码示例：

response = client.chat.completions.create(
    model="gpt-4o-2024-08-06",
    messages=[...],
    response_format={
        "type": "json_schema",
        "json_schema": {...},
        "strict": True
    }
)

DeepSeek 的 JSON 输出

DeepSeek 的 API 则依赖提示工程和 response_format={“type”: “json_object”}。开发者需要在提示中明确要求 JSON 格式并提供示例，模型会尽量生成符合预期的输出。这种方式更灵活，但一致性稍逊于 OpenAI。

核心代码示例：

response = client.chat.completions.create(
    model="deepseek-chat",
    messages=[...],
    response_format={"type": "json_object"}
)

特性	OpenAI	DeepSeek
定义方式	JSON Schema + strict: true	提示工程 + 示例
严格性	高，强制模式	中，依赖提示质量
灵活性	中等，需预定义模式	高，可动态调整输出
适用场景	复杂结构、高可靠性需求	简单结构、快速原型

---

案例展示

以下是三个案例，分别用 OpenAI 和 DeepSeek 实现，展示两者的实际应用。

案例 1：生成员工考勤报表

OpenAI 实现

系统提示：简洁，依赖模式定义。

你是一个人力资源助手。请根据用户输入生成员工的月度考勤报表。

代码：

from openai import OpenAI
import json

client = OpenAI()
MODEL = "gpt-4o-2024-08-06"

def get_attendance_report_openai(employee_input):
    response = client.chat.completions.create(
        model=MODEL,
        messages=[
            {"role": "system", "content": "你是一个人力资源助手。请根据用户输入生成员工的月度考勤报表。"},
            {"role": "user", "content": employee_input}
        ],
        response_format={
            "type": "json_schema",
            "json_schema": {
                "name": "attendance_report",
                "schema": {
                    "type": "object",
                    "properties": {
                        "name": {"type": "string"},
                        "working_days": {"type": "integer"},
                        "absence_reason": {"type": "string", "nullable": True}
                    },
                    "required": ["name", "working_days"],
                    "additionalProperties": False
                },
                "strict": True
            }
        }
    )
    return json.loads(response.choices[0].message.content)

input_text = "张三这个月工作了20天，因病缺勤2天。"
result = get_attendance_report_openai(input_text)
print(json.dumps(result, ensure_ascii=False, indent=2))

输出：

{
  "name": "张三",
  "working_days": 20,
  "absence_reason": "因病"
}

DeepSeek 实现

系统提示：详细，包含示例。

你是一个人力资源助手。请根据用户输入生成员工的月度考勤报表，输出为 JSON 格式，包含： - name: 员工姓名（字符串） - working_days: 工作天数（整数） - absence_reason: 缺勤原因，若无则为 null（字符串或 null） 示例：输入“张三本月工作了20天，因病缺勤2天”，输出： {"name": "张三", "working_days": 20, "absence_reason": "因病"}

代码：

client = OpenAI(base_url="https://api.deepseek.com", api_key="")
MODEL = "deepseek-chat"

def get_attendance_report_deepseek(employee_input):
    response = client.chat.completions.create(
        model=MODEL,
        messages=[
            {"role": "system", "content": "你是一个人力资源助手。请根据用户输入生成员工的月度考勤报表，输出为 JSON 格式，包含：\n- name: 员工姓名（字符串）\n- working_days: 工作天数（整数）\n- absence_reason: 缺勤原因，若无则为 null（字符串或 null）\n示例：输入“张三本月工作了20天，因病缺勤2天”，输出：\n{\"name\": \"张三\", \"working_days\": 20, \"absence_reason\": \"因病\"}"},
            {"role": "user", "content": employee_input}
        ],
        response_format={"type": "json_object"}
    )
    return json.loads(response.choices[0].message.content)

result = get_attendance_report_deepseek(input_text)
print(json.dumps(result, ensure_ascii=False, indent=2))

输出：同上。

应用场景：人力资源系统，生成可存入数据库的数据。

---

案例 2：书籍信息提取

OpenAI 实现

系统提示：

你是一个书籍信息提取助手。请从描述中提取书名、作者和出版年份。

代码：略（类似案例 1，调整模式为 title, author, published_year）。

输出：

{  "title": "活着",  "author": "余华",  "published_year": 1993 }

DeepSeek 实现

系统提示：

你是一个书籍信息提取助手。请从描述中提取书名、作者和出版年份，输出为 JSON 格式，包含： - title: 书名 - author: 作者 - published_year: 出版年份 示例：输入“《活着》是余华创作的小说，出版于1993年”，输出： {"title": "活着", "author": "余华", "published_year": 1993}

代码：略（类似案例 1）。

输出：同上。

应用场景：内容管理系统，提取结构化信息。

---

案例 3：智能推荐系统

OpenAI 实现

系统提示：

你是一个智能推荐助手。根据用户需求推荐产品类别和颜色。

代码：模式定义 category（枚举）和 color。 输出：

{  "category": "鞋子",  "color": "浅色" }

DeepSeek 实现

系统提示：

你是一个智能推荐助手。根据用户需求推荐产品类别和颜色，输出为 JSON 格式，包含： - category: 类别（服装、鞋子、配件） - color: 颜色 示例：输入“我想买一双春天的鞋子，最好是浅色的”，输出： {"category": "鞋子", "color": "浅色"}

代码：略。

输出：同上。

应用场景：电商推荐系统，生成查询参数。

---

优缺点分析

• OpenAI
  • 优点：严格模式，高可靠性，适合复杂结构。
  • 缺点：需预定义模式，灵活性稍低，仅限部分模型（如 gpt-4o）。
• DeepSeek
  • 优点：提示驱动，灵活性高，兼容性好。
  • 缺点：依赖提示质量，可能返回空内容，需优化 max_tokens。

---

最佳实践

• OpenAI：使用 strict: true 和详细模式定义，确保输出一致性。
• DeepSeek：提供清晰提示和示例，设置合理 max_tokens，处理空内容异常。
• 选择建议：需要高精度选 OpenAI，快速原型或成本敏感选 DeepSeek。