Qwen2.5-32B-Instruct使用技巧：结构化输出JSON实战-育师

Qwen2.5-32B-Instruct使用技巧：结构化输出JSON实战

1. 为什么需要结构化输出

在日常开发中，我们经常需要从大语言模型获取结构化的数据。比如从一段文本中提取关键信息、生成标准格式的API响应、或者将非结构化数据转换为数据库可用的格式。

传统方式下，我们需要让模型生成文本，然后自己写正则表达式或者解析逻辑来提取信息。这种方式不仅麻烦，还容易出错。Qwen2.5-32B-Instruct内置了强大的JSON结构化输出能力，可以直接生成符合我们要求的数据格式。

想象一下这样的场景：你需要从用户反馈中提取产品改进建议，或者从新闻文章中提取关键事件信息。有了结构化输出，这些任务变得异常简单。

2. 环境准备与快速部署

2.1 选择Qwen2.5-32B模型

首先确保你已经部署了Qwen2.5-32B-Instruct服务。如果你使用的是CSDN星图镜像，操作非常简单：

找到Ollama模型显示入口并点击进入
通过页面顶部的模型选择入口，选择【qwen2.5:32b】
选择模型后，在页面下方输入框中提问即可

2.2 验证服务状态

部署完成后，我们可以用简单的请求测试服务是否正常：

curl http://localhost:11434/api/generate -d '{ "model": "qwen2.5:32b", "prompt": "你好，请回复'hello world'", "stream": false }'

如果看到返回了正确的响应，说明服务已经准备就绪。

3. 基础JSON输出技巧

3.1 最简单的JSON输出

让我们从一个简单的例子开始。假设我们需要让模型生成用户信息：

import requests import json def get_user_info(): prompt = """ 请生成一个虚拟用户信息，包含以下字段： - name: 字符串，中文姓名 - age: 数字，年龄 - email: 字符串，邮箱地址 - interests: 数组，包含3个兴趣爱好 请直接输出JSON格式，不要有其他文字。 """ response = requests.post( "http://localhost:11434/api/generate", json={ "model": "qwen2.5:32b", "prompt": prompt, "stream": False } ) result = response.json() return json.loads(result["response"]) # 使用示例 user_data = get_user_info() print(f"用户名: {user_data['name']}") print(f"年龄: {user_data['age']}") print(f"邮箱: {user_data['email']}") print(f"兴趣爱好: {', '.join(user_data['interests'])}")

3.2 处理复杂嵌套结构

Qwen2.5-32B能够处理更复杂的嵌套JSON结构：

def get_company_data(): prompt = """ 生成一个公司信息，包含： - company_name: 字符串 - employees: 数组，包含3个员工对象，每个员工有name、position、salary字段 - departments: 数组，包含2个部门，每个部门有name和manager字段 - location: 对象，包含city和address字段 输出纯JSON格式。 """ response = requests.post( "http://localhost:11434/api/generate", json={ "model": "qwen2.5:32b", "prompt": prompt, "stream": False } ) return json.loads(response.json()["response"]) # 解析复杂结构 company_data = get_company_data() print(f"公司: {company_data['company_name']}") print(f"所在城市: {company_data['location']['city']}") for employee in company_data['employees']: print(f"员工: {employee['name']} - {employee['position']}")

4. 实际应用场景实战

4.1 从文本中提取结构化信息

这是最常用的场景之一：从非结构化文本中提取关键信息。

def extract_product_info(text): prompt = f""" 从以下文本中提取产品信息： {text} 请提取以下字段： - product_name: 产品名称 - price: 价格（数字） - features: 特性列表（数组） - rating: 评分（数字，0-5之间） - available: 是否有货（布尔值） 输出JSON格式。 """ response = requests.post( "http://localhost:11434/api/generate", json={ "model": "qwen2.5:32b", "prompt": prompt, "stream": False } ) return json.loads(response.json()["response"]) # 使用示例 product_text = "华为MateBook X Pro是一款高端笔记本电脑，售价8999元。它拥有13.9英寸触控屏、11代英特尔处理器、16GB内存和1TB固态硬盘。目前评分4.8分，有现货。" product_info = extract_product_info(product_text) print(f"产品: {product_info['product_name']}") print(f"价格: {product_info['price']}元") print(f"评分: {product_info['rating']}/5")

4.2 生成API响应格式

在开发API时，经常需要让模型生成特定格式的响应：

def generate_api_response(user_query): prompt = f""" 用户查询: {user_query} 请以API标准格式回复，包含： - status: "success" 或 "error" - data: 主要回复内容 - timestamp: 当前时间戳 - suggestions: 建议下一步操作（数组） 输出JSON格式。 """ response = requests.post( "http://localhost:11434/api/generate", json={ "model": "qwen2.5:32b", "prompt": prompt, "stream": False } ) return json.loads(response.json()["response"]) # 使用示例 response = generate_api_response("请问如何学习Python编程？") print(f"状态: {response['status']}") print(f"回复: {response['data']}") print(f"建议: {response['suggestions']}")

4.3 数据转换与格式化

将一种数据格式转换为另一种格式：

def convert_to_structured_data(unstructured_data): prompt = f""" 将以下信息转换为结构化的JSON格式： {unstructured_data} 转换为： - events: 事件列表，每个事件包含title、date、location、description - participants: 参与者列表，包含name和role - schedule: 日程安排，包含time和activity 输出纯JSON。 """ response = requests.post( "http://localhost:11434/api/generate", json={ "model": "qwen2.5:32b", "prompt": prompt, "stream": False } ) return json.loads(response.json()["response"]) # 使用示例 meeting_info = """ 下周技术会议安排：周一上午10点开始，在301会议室。主题是讨论新产品架构。 参与者：张三（架构师）、李四（开发经理）、王五（产品经理）。 议程：10-11点架构讨论，11-12点开发计划。 """ structured_meeting = convert_to_structured_data(meeting_info) print(f"会议主题: {structured_meeting['events'][0]['title']}") print(f"时间: {structured_meeting['events'][0]['date']}")

5. 高级技巧与最佳实践

5.1 处理数组和嵌套对象

Qwen2.5-32B能够很好地处理复杂的数据结构：

def generate_complex_structure(): prompt = """ 生成一个电商订单信息，包含： - order_id: 字符串 - customer: 对象，包含name、email、phone - items: 数组，包含2-3个商品，每个商品有name、price、quantity - shipping_address: 对象 - total_amount: 总金额 - status: 订单状态 输出JSON格式。 """ response = requests.post( "http://localhost:11434/api/generate", json={ "model": "qwen2.5:32b", "prompt": prompt, "stream": False } ) return json.loads(response.json()["response"]) # 使用示例 order_data = generate_complex_structure() print(f"订单ID: {order_data['order_id']}") print(f"客户: {order_data['customer']['name']}") print(f"总金额: {order_data['total_amount']}") for item in order_data['items']: print(f"商品: {item['name']} x{item['quantity']}")

5.2 错误处理与验证

在实际使用中，我们需要处理模型可能输出的不规范JSON：

def safe_json_generation(prompt): try: response = requests.post( "http://localhost:11434/api/generate", json={ "model": "qwen2.5:32b", "prompt": prompt + "\n\n请确保输出是有效的JSON格式。", "stream": False } ) result = response.json() json_data = json.loads(result["response"]) return json_data except json.JSONDecodeError: # 如果JSON解析失败，尝试修复或重新生成 print("JSON解析失败，尝试修复...") return retry_json_generation(prompt) def retry_json_generation(prompt): repair_prompt = f""" 之前的输出不是有效的JSON格式，请重新生成。 原始要求: {prompt} 请确保输出是有效的JSON格式。 """ response = requests.post( "http://localhost:11434/api/generate", json={ "model": "qwen2.5:32b", "prompt": repair_prompt, "stream": False } ) return json.loads(response.json()["response"])

5.3 性能优化建议

对于大量需要结构化输出的场景，可以考虑以下优化：

批量处理：一次性处理多个请求
模板缓存：对相似的提示词进行缓存
超时设置：设置合理的请求超时时间
重试机制：对失败请求进行自动重试

def batch_process_requests(prompts): results = [] for prompt in prompts: try: response = requests.post( "http://localhost:11434/api/generate", json={ "model": "qwen2.5:32b", "prompt": prompt, "stream": False }, timeout=30 # 30秒超时 ) results.append(json.loads(response.json()["response"])) except Exception as e: print(f"处理失败: {e}") results.append(None) return results

6. 常见问题与解决方案

6.1 JSON格式不正确

如果模型输出的JSON格式有问题，可以：

在提示词中明确要求输出纯JSON
指定具体的JSON Schema
添加格式示例

def get_strict_json(): prompt = """ 请生成数据，必须严格按照以下JSON格式： { "name": "字符串", "age": 数字, "hobbies": ["字符串1", "字符串2", "字符串3"] } 不要输出任何其他文字，只输出JSON。 """ response = requests.post( "http://localhost:11434/api/generate", json={ "model": "qwen2.5:32b", "prompt": prompt, "stream": False } ) return json.loads(response.json()["response"])

6.2 字段缺失或多余

通过明确的提示词约束字段：

def get_exact_fields(): prompt = """ 生成用户信息，必须包含且仅包含以下字段： - username: 字符串 - email: 字符串 - created_at: 日期字符串 - is_active: 布尔值 不要添加其他字段。 输出纯JSON。 """ response = requests.post( "http://localhost:11434/api/generate", json={ "model": "qwen2.5:32b", "prompt": prompt, "stream": False } ) return json.loads(response.json()["response"])

6.3 数据类型不匹配

明确指定数据类型：

def get_typed_data(): prompt = """ 生成数据，注意数据类型： - count: 整数 - price: 浮点数 - name: 字符串 - tags: 字符串数组 - available: 布尔值 输出JSON。 """ response = requests.post( "http://localhost:11434/api/generate", json={ "model": "qwen2.5:32b", "prompt": prompt, "stream": False } ) return json.loads(response.json()["response"])