В предыдущих видео мы смотрели, как заставить модель отвечать в структурированном формате - в JSON. В этом видео посмотрим, как добиться того же от агента, чтобы он отвечал только в заданной структуре.

Зачем агенту структурированный ответ

По умолчанию агент отвечает строкой: например, при разборе заявок он просто возвращает текст. А нам хотелось бы получить на выходе объект - лид с определёнными полями. Из пришедшей заявки агент вытащит имя клиента, признак спама, задачу, бюджет и выдаст всё это объектом, а не обычной строкой.

Параметр output_type и модель Pydantic

За такой ответ отвечает параметр агента output_type: в нём указываем тип структуры, которой агент должен отвечать.

Саму структуру задаём с помощью библиотеки Pydantic - мы уже смотрели её в предыдущих видео. В классе указываем ключи, которые будут в ответе (имя, спам и так далее), тип данных каждого ключа и пояснение к каждому полю в Field(description=...), чтобы LLM-модель понимала, что класть в тот или иной ключ.

Дальше передаём этот класс в параметр output_type и отдаём агенту заявку на обработку. На выходе получаем объект, к которому обращаемся по ключам: lead.name, lead.is_spam, lead.budget.

# Structured Outputs: агент возвращает не текст, а объект Python.
#
# Без output_type агент отвечает строкой - на заявку Ольги он сразу пишет ей ответ,
# и имя с бюджетом из этого текста программе не достать.
# С output_type=Lead SDK превращает класс Pydantic в JSON Schema и передаёт её
# отдельным параметром запроса (strict: true). Модель отвечает JSON строго по схеме,
# SDK собирает из него объект Lead - он лежит в result.final_output.
#
# description в Field - подсказка модели, что положить в поле.
# Обязательное поле модель заполнит всегда: у Сергея бюджета нет, и при budget: int
# получится 0. Если данных может не быть - тип int | None, тогда будет None.

import asyncio

from dotenv import load_dotenv
from pydantic import BaseModel, Field
from agents import Agent, Runner

load_dotenv()


class Lead(BaseModel):
    name: str = Field(description="Имя клиента")
    is_spam: bool = Field(description="Реклама или рассылка, а не заказ")
    task: str = Field(description="Что нужно сделать, одной фразой")
    budget: int | None = Field(description="Бюджет в рублях, None если не указан")


LEADS = [
    """Здравствуйте! Меня зовут Ольга, нужен сайт для салона красоты до конца месяца.
Бюджет около 80 тысяч. Телефон +7 900 123-45-67, лучше звонить после 18:00.""",

    """Добрый день. Сколько у вас стоит поддержка сайта на WordPress в месяц?
Пока просто прицениваюсь. Сергей""",

    """Продвижение вашего сайта в ТОП-10 за 7 дней! Гарантия результата.
Скидка 50% только сегодня, пишите в телеграм @seo_top_fast""",
]

reception = Agent(
    name="Reception",
    instructions="Ты разбираешь заявки с сайта веб-разработчика",
    model="gpt-5-nano",
    output_type=Lead,
)


async def main():
    results = await asyncio.gather(*(Runner.run(reception, text) for text in LEADS))
    for result in results:
        lead = result.final_output  # объект Lead, а не строка
        if lead.is_spam:
            print("Спам, пропускаем")
        else:
            print(f"{lead.name}: {lead.task} (бюджет: {lead.budget})")


asyncio.run(main())

Смотрим результат в отладчике

Посмотрим на практике: несколько заявок, которые агент разберёт и вернёт объектами с ключами. Поставим точку остановки и запустим скрипт в режиме отладки.

В result.final_output - ответ, пришедший от LLM-модели, - лежит объект Lead с ключами бюджета, спама и остальными. Агент взял первую заявку, разобрал её и выдал как объект Python, который уже можно обрабатывать.

Теперь на основе этого структурированного ответа, который сделала сама LLM-модель, можно строить внутреннюю логику программы. Так мы заставляем агента выдавать структурированный ответ.