Strukturierte KI-Ausgaben: JSON und CSV prüfen und zuverlässig weiterverarbeiten
Bild erstellt vom Redaktionsteam von Inferama
01

Warum fehlerhafte Ausgaben Produktionspipelines stören

Ein Sprachmodell kann syntaktisch korrektes JSON erzeugen, das trotzdem inhaltliche Fehler enthält und nachgelagerte Abläufe beeinträchtigt. Die Strukturvalidierung prüft, ob Felder vorhanden sind und die erwarteten Typen besitzen. Sie prüft jedoch nicht automatisch, ob die Werte logisch sind oder mit dem Quelldokument übereinstimmen. Eine Rechnungssumme, die nicht der Summe ihrer Positionen entspricht, zeigt das Problem deutlich: Das Schema wird erfüllt, aber der Wert ist falsch.

Wenn eine ETL-Pipeline oder eine API solche Daten verarbeitet, können fehlende Felder, falsche Typen oder abgeschnittene Ausgaben Folgefehler verursachen. Der Unterschied zwischen einem brauchbaren Ergebnis und einem, das manuell nachbearbeitet werden muss, hängt von der Integrität der strukturierten Daten ab – nicht allein von der Fähigkeit des Modells, Text zu erzeugen. Eine präzise Formatdefinition verringert die Variabilität und erleichtert die Weiterverarbeitung in Datenbanken, Tabellen oder Automatisierungsabläufen.

Die Dokumentation von Microsoft Foundry weist ausdrücklich darauf hin, dass strukturierte Ausgaben weiterhin Fehler enthalten können, und empfiehlt, Validatoren einzusetzen. Diese Einschränkung bleibt auch bei ausführlichen Prompts oder niedriger Temperatur bestehen: Solche Einstellungen garantieren keine inhaltliche Richtigkeit. Sie können beeinflussen, wie eine Antwort erzeugt wird, ersetzen aber keine Prüfungen.

Strukturprüfung und Inhaltsprüfung beantworten unterschiedliche Fragen. Ein Validator kann feststellen, ob ein Feld wie `total` eine Zahl enthält und ob `items` als Liste vorliegt. Er kann daraus allein jedoch nicht ableiten, ob die Werte zum Quelldokument passen oder ob die Rechnung rechnerisch aufgeht. Deshalb kann ein Datensatz alle formalen Anforderungen erfüllen und dennoch für den nächsten Verarbeitungsschritt ungeeignet sein.

Fehler wirken sich besonders dann auf nachgelagerte Abläufe aus, wenn ein System feste Erwartungen an die eingehenden Daten hat. Ein fehlendes Feld kann eine Verarbeitung stoppen; ein falscher Typ kann eine Schnittstelle zurückweisen; eine abgeschnittene Ausgabe kann unvollständig weitergegeben werden. Die formale Verarbeitbarkeit ist daher nicht dasselbe wie fachliche Verlässlichkeit. Eine erfolgreiche Strukturprüfung sollte nur als Aussage über die Form der Ausgabe verstanden werden, nicht als Bestätigung ihres Inhalts.

Eine präzise Formatdefinition macht die erwartete Form für Modell und nachgelagerte Systeme besser erkennbar. Sie kann die Variabilität der Ausgabe verringern und dadurch die Integration erleichtern. Der entscheidende Vorbehalt bleibt: Auch ein klar beschriebenes Format und eine niedrige Temperatur prüfen weder den Bezug zum Quelldokument noch die fachliche Plausibilität der Werte. Diese Aufgaben müssen eigene Prüfungen übernehmen.

02

Schemas präzise statt intuitiv entwerfen

Das Schema ist der erste Schritt, um die Ausgabe einzugrenzen. Statt ein Modell lediglich um „gültiges JSON“ zu bitten, sollten Sie ein JSON Schema oder ein Pydantic-Modell vorgeben, das Felder, Datentypen, Pflichtfelder und unterstützte Einschränkungen ausdrücklich beschreibt. So wird weniger der Interpretation des Modells überlassen, und eine automatische Prüfung kann feststellen, ob die Ausgabe der vereinbarten Form entspricht.

Bei Daten, die von autonomen Agenten veröffentlicht oder verarbeitet werden, ist der semantische Kontext ebenfalls wichtig. Ein Spaltenname wie `durchschnittspreis_benzin` vermittelt mehr als ein kryptischer Code, den ein System erst deuten müsste. Ein Datenwörterbuch oder ein JSON Schema kann Typen, Pflichtfelder und gültige Wertebereiche dokumentieren. Dadurch muss das System weniger aus unvollständigen Bezeichnungen ableiten.

Die Dokumentation von Google Cloud für Claude-Modelle auf der Gemini Enterprise Agent Platform beschreibt eine eingeschränkte Teilmenge von JSON Schema. Bei Objekten muss `additionalProperties` auf `false` gesetzt werden. Diese Vorgabe begrenzt nicht deklarierte Felder in diesem dokumentierten Funktionsumfang. Sie ist jedoch keine allgemeingültige Regel für jede Plattform oder jedes Modell: Unterstützte Schemafunktionen und deren Verfügbarkeit hängen vom jeweiligen Anbieter und Einsatzbereich ab.

Ein Schema wird nützlicher, wenn es nicht nur Feldnamen und Datentypen aufführt, sondern auch festhält, welche Felder verpflichtend sind und welche Einschränkungen gelten. Explizite Anforderungen verringern den Interpretationsspielraum, den eine bloße Aufforderung zu „gültigem JSON“ offenlässt. Eine automatische Prüfung kann anschließend beurteilen, ob die Ausgabe diese festgelegte Form einhält; die inhaltliche Bedeutung eines Werts muss sie damit noch nicht beurteilen.

Aussagekräftige Bezeichnungen und ein Datenwörterbuch helfen dabei, die Rolle einzelner Werte verständlich zu machen. Ein verständlicher Spaltenname vermittelt mehr Kontext als ein kryptischer Code, dessen Bedeutung erst erschlossen werden müsste. Werden zusätzlich Typen, Pflichtfelder und zulässige Wertebereiche dokumentiert, muss ein System weniger aus knappen oder uneindeutigen Bezeichnungen ableiten. Das macht die Datenbeschreibung klarer, ersetzt aber keine Prüfung, ob ein konkreter Wert korrekt aus dem Quelldokument übernommen wurde.

Die Einschränkung auf einen dokumentierten Teilumfang von JSON Schema gilt für die dort beschriebene Plattformkonfiguration. Bei Objekten muss `additionalProperties` in diesem Funktionsumfang auf `false` gesetzt werden, damit nicht deklarierte Felder ausgeschlossen sind. Diese Vorgabe ist nicht automatisch auf andere Anbieter oder Modelle übertragbar. Welche Schemafunktionen unterstützt werden, hängt vom jeweiligen Einsatzbereich ab; eine passende Definition sollte deshalb zu der tatsächlich verwendeten Plattform passen.

Strukturierte Formate und ihre Verwendung

FormatEigenschaftenTypische Verwendung in KI-Pipelines
JSONHierarchisch, für Menschen und Maschinen lesbar; standardisiert in RFC 8259.Modellausgaben, APIs und Datenannotation.
CSVTabellarisch und flach; keine verschachtelten Objekte.Tabellenkalkulationen und relationale Datenbanken.
ParquetSpaltenorientiertes Binärformat mit eingebettetem Schema.Große Datenbestände und analytische Verarbeitung.
YAMLEinrückungsbasiert; unterstützt Kommentare.Konfigurationen und Datensatzdefinitionen.
03

Automatische Validierung in den Ablauf integrieren

Die Validierung sollte als eigene Stufe nach der Modellgenerierung in den Inferenzablauf eingebaut werden. Diese Stufe prüft, ob die Ausgabe dem festgelegten Schema entspricht. Mit Python-Bibliotheken wie Pydantic lassen sich Datenmodelle definieren und eingehende Daten prüfen. Ein Aufruf von `model_validate` kontrolliert, ob die Daten der jeweiligen Modelldefinition entsprechen.

Auf Plattformen wie Microsoft Foundry oder Google Cloud kann eine Einstellung wie `strict=True` bei unterstützten Funktionen die Ausgabe stärker an ein Schema binden. Die konkrete Wirkung hängt von der jeweiligen API und ihrem Funktionsumfang ab. Bei der dokumentierten strikten Werkzeugverwendung in Google Cloud werden Argumente an das `input_schema` gebunden. Solche Verfahren können Formatfehler einschränken; sie ersetzen keine unabhängige Prüfung der fachlichen Richtigkeit.

Eine Schema-Prüfung reicht deshalb nicht aus. Zusätzlich braucht es eine semantische Validierung, die Geschäftsregeln auf die Werte anwendet. Beispielsweise kann der Code prüfen, ob die Summe der Rechnungspositionen mit dem angegebenen Gesamtbetrag übereinstimmt oder ob ein Datum innerhalb eines zulässigen Zeitraums liegt. Diese Regeln gehen über die Prüfung hinaus, ob ein Feld einen bestimmten Datentyp besitzt.

Eine separate Validierungsstufe macht sichtbar, an welcher Stelle die Ausgabe geprüft wird: zuerst gegen die vereinbarte Datenform, danach gegen Regeln zur fachlichen Bedeutung. Pydantic kann beispielsweise prüfen, ob eingehende Daten der definierten Modelldefinition entsprechen. Das Bestehen dieser Prüfung bestätigt zunächst nur die Modellstruktur, nicht, dass die extrahierten Werte mit einem Dokument übereinstimmen oder rechnerisch korrekt sind.

Geschäftsregeln ergänzen die Schema-Prüfung um Bedingungen, die sich aus dem Inhalt ergeben. Bei einer Rechnung kann eine solche Regel die Summe der Positionen mit dem angegebenen Gesamtbetrag vergleichen; bei einem Datum kann sie prüfen, ob dieses in einem festgelegten zulässigen Zeitraum liegt. Solche Prüfungen müssen zur jeweiligen Aufgabe passen. Ein Datentyp wie `float` sagt beispielsweise nicht, ob ein Betrag plausibel ist oder richtig erfasst wurde.

Eine Einstellung wie `strict=True` kann bei unterstützten Funktionen die Ausgabe an ein vorgegebenes Schema binden. Die konkrete Wirkung hängt jedoch von der jeweiligen API und ihrem dokumentierten Funktionsumfang ab. Für die beschriebene strikte Werkzeugverwendung werden Argumente an das `input_schema` gebunden; daraus folgt keine allgemeine Garantie für fachlich richtige Werte. Formatkontrolle und Inhaltskontrolle bleiben getrennte Schritte, auch wenn die Ausgabe technisch eng eingeschränkt wird.

Validierung mit Pydantic · python

Das Beispiel prüft zuerst die Datenstruktur und anschließend eine Geschäftsregel für die Rechnungssumme. Das Schema allein bestätigt nicht, dass die Summe stimmt.

from pydantic import BaseModel, ValidationError

class Rechnung(BaseModel, extra="forbid"):
    total: float
    items: list[float]

    def validiere_total(self):
        if abs(sum(self.items) - self.total) > 0.01:
            raise ValueError("Die Summe stimmt nicht mit den Positionen überein")

# Beispiel einer Modellausgabe
modell_ausgabe = {"total": 150.0, "items": [75.0, 70.0]}

try:
    rechnung = Rechnung.model_validate(modell_ausgabe)
    rechnung.validiere_total()
    print("Validierung erfolgreich")
except (ValidationError, ValueError) as fehler:
    print(f"Validierungsfehler: {fehler}")
04

Fehler gezielt behandeln

Wenn eine Validierung fehlschlägt, sollte das System zwischen Format- und Inhaltsfehlern unterscheiden. Bei einem Formatfehler oder einer fehlerhaften Erfassung eines Werts, der im Quelldokument steht, kann ein erneuter Versuch mit einer konkreten Fehlerbeschreibung helfen. Dazu erhält das Modell erneut das Quelldokument, die fehlerhafte Extraktion und den festgestellten Grund, damit es die Korrektur anhand des vorhandenen Kontexts versucht.

Fehlt die gesuchte Information im Dokument, beheben weitere Versuche das Problem nicht unbedingt. Unbegrenztes Wiederholen kann Zeit und Ressourcen verbrauchen, ohne das Ergebnis zu verändern. Legen Sie deshalb fest, wann ein Vorgang endet und ein Fall als nicht verarbeitbar gekennzeichnet oder einer Person vorgelegt wird. Ein begrenztes Wiederholungslimit ist eine betriebliche Entscheidung für den jeweiligen Ablauf, kein allgemeingültiger Erfolgswert.

Microsoft empfiehlt bei Fehlern, Anweisungen anzupassen, Beispiele in die Systemanweisungen aufzunehmen oder eine Aufgabe in einfachere Teilaufgaben aufzuteilen. Diese Maßnahmen können bei der Fehlerbehandlung helfen, garantieren aber keine erfolgreiche Korrektur. Ein erneuter Modellaufruf bleibt probabilistisch; bei kritischen Entscheidungen sind deterministische Prüfungen und bei Bedarf menschliche Kontrolle erforderlich.

Ein erneuter Versuch ist nur dann sinnvoll, wenn der Fehler mit dem vorhandenen Kontext möglicherweise korrigierbar ist. Bei einem Formatfehler oder einer falsch erfassten Angabe kann eine konkrete Beschreibung des Problems zusammen mit dem Quelldokument dem Modell helfen, eine veränderte Ausgabe zu erzeugen. Das Ergebnis muss danach erneut geprüft werden: Ein erfolgreicher Korrekturversuch ist nicht garantiert, und eine neue Antwort kann weiterhin fehlerhaft sein.

Wenn das Quelldokument die gesuchte Information nicht enthält, kann ein weiterer Modellaufruf den fehlenden Inhalt nicht verlässlich ersetzen. Ein Ablauf braucht deshalb eine Abbruchbedingung und einen definierten Umgang mit Fällen, die nicht verarbeitet werden können. Dazu kann gehören, einen Fall als fehlerhaft zu kennzeichnen oder ihn einer Person zur Prüfung vorzulegen. Die Zahl zulässiger Wiederholungen richtet sich nach dem konkreten Ablauf; sie ist kein universeller Wert für alle Systeme.

Anweisungen anzupassen, Beispiele hinzuzufügen oder eine Aufgabe in kleinere Teilaufgaben aufzuteilen, kann bei wiederkehrenden Fehlern helfen. Diese Maßnahmen verändern den Ablauf, stellen aber keine deterministische Korrektur sicher. Erneute Modellaufrufe bleiben probabilistisch. Wo eine Entscheidung kritisch ist, sollten nachvollziehbare Regeln die Werte prüfen; eine menschliche Kontrolle kann nötig sein, wenn diese Prüfungen den Fall nicht abschließend klären.

Ablauf nach einem Validierungsfehler

  1. 01Die Modellausgabe entgegennehmen.
  2. 02Die Struktur anhand eines JSON Schemas oder Pydantic-Modells prüfen.
  3. 03Bei einem Strukturfehler einen begrenzten erneuten Versuch mit einer konkreten Fehlermeldung erwägen.
  4. 04Nach erfolgreicher Strukturprüfung Regeln zur semantischen Validierung und Geschäftslogik anwenden.
  5. 05Bei einem Inhaltsfehler prüfen, ob das Quelldokument die fehlende oder widersprüchliche Information enthält; gegebenenfalls einen begrenzten erneuten Versuch starten.
  6. 06Wenn der Fehler bestehen bleibt oder die benötigte Information fehlt, den Fall als fehlerhaft markieren oder zur menschlichen Prüfung weiterleiten.
05

Qualität messen und den Ablauf verbessern

Die Qualität strukturierter Ausgaben lässt sich anhand mehrerer Kennzahlen beurteilen: der Anteil der Ergebnisse, die Struktur- und Inhaltsprüfungen bestehen, die Konsistenz der Datentypen und die Häufigkeit, mit der Fehler ohne menschliches Eingreifen erkannt und behandelt werden. Die Trennung von Format- und Inhaltsfehlern hilft dabei, die Ursache einzugrenzen – etwa das Schema, die Anweisungen oder die Schwierigkeit, das Quelldokument zu interpretieren. Für diese Kennzahlen gibt es keinen universellen Zielwert, der für alle Systeme gilt.

Auch die Kosten pro erfolgreich geprüfter Ausgabe können für die Bewertung einer Pipeline relevant sein. Berücksichtigen Sie dabei Aufrufe für erneute Versuche und die nachgelagerte Verarbeitung. Vergleichen Sie Kosten nur anhand geeigneter Messungen Ihres eigenen Ablaufs; ein nicht geprüftes Ergebnis ist nicht automatisch ein sinnvoller Vergleich. Die mittlere Latenz ist ebenfalls zu beobachten, weil zusätzliche Prüfungen und erneute Aufrufe die Antwortzeit beeinflussen können.

Für die Veröffentlichung offener Daten bleiben gut strukturierte Formate, dokumentierte semantische Zusammenhänge und geeignete Zugriffsmöglichkeiten wichtig. APIs können dynamische Abfragen unterstützen; Massendownloads eignen sich für umfangreiche Datenbestände, und inkrementelle Aktualisierungen können unnötige Übertragungen reduzieren. Diese Praktiken können die maschinelle Verarbeitung erleichtern, machen aber Ergebnisse autonomer Agenten nicht automatisch richtig. Auch Datenschutz und Governance müssen berücksichtigt werden, bevor Daten verarbeitet oder weitergegeben werden.

Kennzahlen sind aussagekräftiger, wenn sie die verschiedenen Prüfarten getrennt abbilden. Der Anteil der Ausgaben, die das Schema bestehen, beschreibt die formale Konformität; der Anteil, der zusätzlich Inhalts- und Geschäftsregeln besteht, beschreibt ein anderes Ergebnis. Auch die Häufigkeit erkannter Fehler und ihre Behandlung ohne menschliches Eingreifen können für den eigenen Ablauf relevant sein. Ein einziger Erfolgswert kann verbergen, ob Probleme aus der Struktur oder aus dem Inhalt stammen.

Die Unterscheidung von Format- und Inhaltsfehlern unterstützt die Fehlersuche, ohne die Ursache automatisch festzulegen. Ein Fehler kann etwa mit der Schema-Definition, den Anweisungen oder der Interpretation des Quelldokuments zusammenhängen. Die Kennzahlen zeigen, wo weitere Untersuchung sinnvoll sein kann, beweisen aber für sich genommen nicht, welche Ursache vorliegt. Ebenso gibt es keinen Zielwert, der unabhängig von Aufgabe und Anforderungen für jedes System gilt.

Für Kostenvergleiche zählt, welche Ausgaben die festgelegten Prüfungen tatsächlich bestanden haben. Wiederholungsaufrufe und nachgelagerte Verarbeitung gehören in die Betrachtung, wenn sie zum Ablauf beitragen; ein ungeprüftes Ergebnis ist kein gleichwertiger Vergleichspunkt. Zusätzliche Prüfungen und erneute Aufrufe können auch die mittlere Latenz beeinflussen. Kosten und Antwortzeit sollten deshalb zusammen mit dem erreichten Prüfstatus betrachtet werden, statt sie losgelöst von der Ergebnisqualität zu bewerten.

Gut strukturierte Datenformate und dokumentierte semantische Zusammenhänge können die maschinelle Verarbeitung erleichtern. APIs ermöglichen dynamische Abfragen, während Massendownloads den Zugriff auf umfangreiche Bestände unterstützen können; inkrementelle Aktualisierungen können unnötige Übertragungen verringern. Diese Zugriffsmöglichkeiten machen die Ergebnisse autonomer Agenten jedoch nicht automatisch richtig. Vor einer Verarbeitung oder Weitergabe bleiben außerdem Datenschutz und Governance zu berücksichtigen.

06

Weiter entdecken

Verwendete Quellen

03

Korrekturen und Transparenz

Wenn du falsche oder veraltete Angaben findest, sende uns die Seite und die zu prüfende Quelle.

Korrektur vorschlagen