为了让你一目了然，我把三种主流流派（OpenAI天花板、国产平替、Claude特立独行）最核心的 Request（请求体） 和 Response（响应体） 的 JSON 结构扒出来。
我们统一设定一个任务：让模型从“张三今年25岁”这句话中，提取出姓名和年龄。
场景一：OpenAI（Structured Outputs 严格模式）
这是目前最稳的，它在请求里直接塞入了一张完整的“图纸”（JSON Schema），响应直接就是纯 JSON。 【Request 请求示例】
{
"model": "gpt-4o-2024-08-06",
"messages": [
{"role": "user", "content": "张三今年25岁"}
],
"response_format": {
"type": "json_schema",
"json_schema": {
"name": "user_info",
"strict": true,
"schema": {
"type": "object",
"properties": {
"name": { "type": "string" },
"age": { "type": "integer" }
},
"required": ["name", "age"],
"additionalProperties": false
}
}
}
}
💡 关键点：strict: true 和 additionalProperties: false 是灵魂，代表“必须且只能”按这个格式来。 【Response 响应示例】
{
"id": "chatcmpl-xxx",
"choices": [
{
"message": {
"role": "assistant",
"content": "{"name":"张三","age":25}"
}
}
]
}
💡 关键点：content 里面干干净净，就是一串合法的 JSON 字符串，你直接 json.loads() 就行，绝对报错不了。
场景二：国产模型（以 阿里 Qwen / 智谱 GLM 为例）
国产模型大部分走的是 OpenAI 早期的“简易开关”路线。它不让你传复杂的 Schema 图纸，只给你一个开关，具体长什么样靠你在 Prompt 里“嘴遁”。 【Request 请求示例】
{
"model": "qwen-plus",
"messages": [
{
"role": "system",
"content": "你是一个数据提取助手。请务必提取用户的name(字符串)和age(整数)，并以纯JSON格式返回，不要任何多余文字。格式如：{"name":"xx","age":xx}"
},
{"role": "user", "content": "张三今年25岁"}
],
"response_format": { "type": "json_object" }
}
💡 关键点：只有一句 "type": "json_object"。注意阿里要求 Prompt 里必须出现“JSON”字样。 【Response 响应示例】
{
"id": "chatcmpl-xxx",
"choices": [
{
"message": {
"role": "assistant",
"content": "{"name":"张三","age":25}"
}
}
]
}
💡 关键点：返回格式和 OpenAI 一样，content 是纯 JSON 字符串。区别在于，它只保证语法合法（比如不会少个括号），但不保证字段一定叫 name/age（如果你 Prompt 写得不清楚，它可能返回 {"姓名":"张三","年龄":25}），所以需要配合好 Prompt。
场景三：Anthropic Claude（Tool Use 借尸还魂）
Claude 没有上面的 response_format 开关，它的做法是：假装系统里挂了一个名叫“提取工具”的函数，逼着 Claude 按照这个函数的参数格式来输出。 【Request 请求示例】
{
"model": "claude-sonnet-4-20250514",
"messages": [
{"role": "user", "content": "张三今年25岁"}
],
"tools": [
{
"name": "extract_user_info",
"description": "提取用户信息",
"strict": true,
"input_schema": {
"type": "object",
"properties": {
"name": { "type": "string", "description": "姓名" },
"age": { "type": "integer", "description": "年龄" }
},
"required": ["name", "age"],
"additionalProperties": false
}
}
]
}
💡 关键点：没有 response_format，而是把你的 JSON 结构定义在了 tools[0].input_schema 里。 【Response 响应示例】
{
"id": "msg_xxx",
"content": [
{
"type": "text",
"text": "好的，我来为您提取信息。"
},
{
"type": "tool_use",
"id": "toolu_xxx",
"name": "extract_user_info",
"input": {
"name": "张三",
"age": 25
}
}
]
}
💡 关键点：Claude 的响应结构变了！它返回的是一个 content 数组。你要找里面 type 为 "tool_use" 的那个块，然后从它的 input 字段里把 JSON 拿出来。这个 input 是被 Claude 底层严格约束过的，100% 符合你写的 input_schema。
🌟 总结对照表（写代码时怎么取值）
| 厂商流派 | 开启方式的灵魂参数 | 返回 JSON 藏在哪里？ | 你的 Python 取值代码 |
|---|---|---|---|
| OpenAI (严格) | response_format.json_schema.strict: true | message.content | data = json.loads(response.choices[0].message.content) |
| 国产 Qwen/GLM | response_format.type: "json_object" | message.content | data = json.loads(response.choices[0].message.content) |
| Claude | tools[0].strict: true + input_schema | content[?].input (需遍历找 tool_use) | data = next(block.input for block in response.content if block.type == "tool_use") |
有了这三个对照，你在写代码封装统一调用层的时候，就知道针对不同模型该怎么发请求、怎么抠数据了。
