Begriff
Structured Output / JSON Mode
Structured Output bezeichnet die Fähigkeit eines Sprachmodells, Antworten in einem festgelegten Schema (typischerweise JSON) zu liefern — verlässlich genug, um direkt von Folge-Code weiterverarbeitet zu werden.
Structured Output / JSON Mode — ausführlicher erklärt
Reine Freitext-Antworten sind für Programme schwer zu parsen. Structured Output löst das, indem entweder das Modell zur Schema-Konformität gezwungen wird (Constrained Decoding über JSON-Schema) oder das Modell mit Tool-Calls antwortet, deren Argumente einem definierten Typ folgen müssen. Ergebnis: das Modell antwortet niemals mit „Hier ist ein Beispiel: …” rund um den eigentlichen JSON-Block, sondern liefert direkt valides JSON, das parse-bar ist.
Beispiel / Praxisbezug
Eine Lead-Erfassung extrahiert aus einer freien Mail Felder wie name, firma, telefon, anfrage_typ. Ohne Structured Output muss man Output-Parsing mit Regex absichern, mit JSON-Schema-Mode liefert die API direkt ein typsicheres Objekt. Anbieter wie OpenAI, Anthropic und lokale Engines (vLLM, llama.cpp via Grammar) unterstützen das nativ — entweder als JSON-Schema-Parameter oder als Tool-Use mit definiertem Input-Schema.
Abgrenzung zu ähnlichen Begriffen
Function Calling und Tool Use sind eng verwandt: das Modell ruft eine Funktion mit strukturierten Argumenten — der Mechanismus ist derselbe wie JSON-Mode, nur mit dem zusätzlichen Schritt, dass der Output an eine echte Funktion gereicht wird. Few-Shot mit JSON-Beispielen erreicht ähnliche Ergebnisse, ist aber nicht erzwungen — das Modell kann jederzeit aus dem Format ausbrechen.
Entdecke mehr
KI-Workflows per Keyword: Wie wir wiederkehrende Abläufe erzwingbar machen
Ein getipptes Keyword löst bei uns einen festen KI-Ablauf aus — und jeder Schritt muss committet werden, bevor der nächste kommt. Warum das der Trick ist.
GlossarEnsemble / Multi-Modell-Orchestrierung
Ensemble bezeichnet das Kombinieren mehrerer bewusst variierter LLM-Läufe oder Modelle, deren Funde sich ergänzen. Multi-Modell-Orchestrierung steuert diese Läufe über Orchestratoren mit Sub-Agenten, sodass die Vereinigung der Ergebnisse größer ist als jeder Einzellauf.
LexikonFunction Calling / Tool Use
Wie ein LLM Werkzeuge aufruft: Tool-Definition als Schema, Modell wählt Funktion und Argumente, Ergebnis zurück ins Gespräch — der Grundbaustein jedes Agenten.