修复与验证循环
修复格式错误的输出。
修复与验证循环 是 CoddyKit 上的免费 AI Prompt Engineering 课时。 这是第 4 节课，共 4 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 AI Prompt Engineering 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 AI Prompt Engineering 课程共包含 4 节课。
修复循环为何存在
即使有模式，输出仍可能失败：令牌上限导致 JSON 被截断、模型臆造出额外字段、需要数字的地方出现字符串，或者违反业务规则。修复循环会检测失败，并将错误反馈给模型进行纠正。
它是一张安全网，能将 98% 的成功率提升到 99.9%。
验证—修复循环
典型循环是：生成、验证；如果无效，则带着具体错误重新提示，直到达到限定的尝试次数。
def generate_valid(prompt, schema, max_tries=3):
msgs = [{'role': 'user', 'content': prompt}]
for _ in range(max_tries):
out = call_model(msgs)
ok, err = validate(out, schema)
if ok:
return out
msgs.append({'role': 'assistant', 'content': out})
msgs.append({'role': 'user',
'content': 'Invalid. Fix this error and resend JSON only: ' + err})
raise ValueError('repair budget exhausted')具体错误胜过笼统错误
修复质量取决于反馈的精确程度。“无效的 JSON”帮助不大；而“评分字段必须是 1 到 5 之间的整数，但得到的是 7”几乎总能让模型在一轮内修正。
请将验证器的准确错误消息（路径加原因）反馈给模型。
def validate(obj, schema):
v = jsonschema.Draft202012Validator(schema)
errs = sorted(v.iter_errors(obj), key=lambda e: e.path)
if not errs:
return True, None
msg = '; '.join(f"{list(e.path)}: {e.message}" for e in errs)
return False, msg分层验证
验证分为多个层级；请先进行成本最低的 check：
- 语法层面——能否解析为 JSON？
- 结构层面——是否符合模式？
- 语义层面——取值是否满足业务规则和跨字段不变量？
即使折扣和小计都是有效数字，折扣也不能超过小计；这就是语义 check。
def semantic_ok(o):
return o['discount'] <= o['subtotal'] and o['total'] == o['subtotal'] - o['discount']确定性预修复
在消耗一次模型调用之前，请先尝试针对常见缺陷的廉价确定性修复：
- 使用 strip 移除 Markdown 代码围栏。
- 从周围说明文字中提取最外层 JSON 对象。
- 移除末尾逗号。
只有确定性清理失败后，才升级为模型修复。
def extract_json(text):
text = text.strip().removeprefix('json').strip()
start, end = text.find('{'), text.rfind('}')
if start != -1 and end != -1:
return text[start:end + 1]
return text处理截断
如果 finish_reason == 'length'，说明 JSON 已被截断；修复这个残片没有意义。相反，请提高 max_tokens、减少请求的数据量，或采用流式传输并请求继续生成。请区分截断和格式错误，因为两者需要相反的处理方式。
if resp.choices[0].finish_reason == 'length':
# do NOT feed truncated JSON back; regenerate with more room
return retry_with(max_tokens=resp_max * 2)限制循环范围
无界修复会带来成本和延迟风险，陷入停滞的模型甚至可能无限循环。请始终限制尝试次数，添加每个请求的预算，并定义回退方案（平稳降级、排队等待人工审核，或返回安全默认值）。
try:
data = generate_valid(prompt, schema, max_tries=3)
except ValueError:
log_for_review(prompt)
data = SAFE_DEFAULT工具调用中的修复
对于函数调用，修复通道就是工具结果。返回结构化错误后，模型会在下一轮自行纠正，无需单独的循环。
msgs.append({'role': 'tool', 'tool_call_id': call.id,
'content': json.dumps({'error': 'amount must be positive', 'got': args['amount']})})
# next model turn will re-issue the call with a corrected argument幂等性与副作用
当修复循环包装的是一个操作（而不只是生成过程）时，请确保重试具有幂等性。使用幂等键，使重新发出的调用不会重复扣费或重复创建记录。请在提交副作用之前进行 validate，绝不要在之后验证。
观察修复率
修复率是一个领先的质量信号。修复率上升可能意味着提示词回归、模式过于严格或模型发生漂移。请使用 log 记录每次成功所需的尝试次数以及出现最多的错误路径，并在这些指标激增时发出警报。
metrics.histogram('llm.repair.attempts', tries)
metrics.increment('llm.repair.error', tags={'path': top_error_path})将约束与修复结合
最强的流程会分层设置防御：使用受约束解码或严格模式模式来尽量减少失败，使用确定性清理处理廉价修复，再用有界的模型修复循环处理少量残留问题。单独依靠任何一层都不够。
快速检查
接口返回完成原因为长度，并且 JSON 已被截断。正确的处理方式是什么？
回顾
稳健的修复流程：
- 按层级进行验证：语法、结构、语义。
- 将精确到路径级别的错误反馈给模型。
- 在支付模型调用成本之前，先尝试确定性清理。
- 单独检测截断并重新生成。
- 限制尝试次数，确保幂等性，并监控修复率。
您已完成结构化生成。下一门课程：防护栏与输出验证。
常见问题解答
「修复与验证循环」课时是免费的吗？
是的 — 「修复与验证循环」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 AI Prompt Engineering 课程的其余内容，请升级到 CoddyKit PRO。 AI Prompt Engineering 课程共包含 4 节课。
「修复与验证循环」这节课中我会学到什么？
修复格式错误的输出。 你通过在浏览器中直接运行的动手代码来练习 AI Prompt Engineering，全天候 AI 导师会在你学习这节课的过程中回答你的问题。
学习 AI Prompt Engineering 需要有经验吗？
无需任何先前经验。CoddyKit 上的 AI Prompt Engineering 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 4 节课，共 4 节。
「修复与验证循环」课时需要多长时间？
大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。
我能在这节 AI Prompt Engineering 课中编写并运行代码吗？
能。每节 AI Prompt Engineering 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。