Проще говоря, schema validation отвечает на вопрос: данные пришли в правильном формате или их нельзя безопасно использовать. Если AI-агент должен вернуть JSON с полями name, status и confidence, валидатор проверит, что эти поля действительно есть и выглядят как ожидается.
Для AI-агентов это критично, потому что модель может ошибиться в формате: пропустить поле, вернуть строку вместо числа, добавить лишний текст вокруг JSON, перепутать enum или выдать пустой массив там, где нужен объект. Без проверки такие ошибки попадают в API, CRM, базу данных или workflow.
Schema validation часто используют вместе со structured output, tool calling, JSON Schema, Pydantic, Zod, OpenAPI и внутренними контрактами API. Модель генерирует данные, валидатор проверяет результат, а система либо продолжает выполнение, либо просит модель исправить ответ, либо отправляет случай на ручную проверку.
Важная мысль: schema validation не проверяет истинность фактов. Она проверяет форму. Поле может быть валидным по типу, но неверным по смыслу. Поэтому для важных сценариев нужна еще бизнес-валидация: права доступа, допустимость действия, наличие источника, согласование и проверка фактов.
Хорошая схема должна быть достаточно строгой, но не хрупкой. Если она слишком свободная, ошибки пройдут дальше. Если слишком жесткая, агент будет часто падать на нормальных вариациях. Обычно помогают enum, min/max, required fields, nullable только где нужно и понятные сообщения об ошибках.
Типичные ошибки: схема не версионируется, обязательные поля не указаны, enum устаревает, ошибки валидации не логируются, модель получает слишком расплывчатое описание формата, а невалидные данные все равно записываются в систему.
В production стоит логировать входные данные, версию схемы, ошибки валидации, исправленные попытки, финальный статус, tool call и trace. Это помогает находить слабые места промпта, схемы и интеграции.
Примеры
- AI-агент должен вернуть JSON с полями answer, sources и confidence, а schema validation проверяет их наличие и типы.
- Pydantic отклоняет ответ модели, если поле price пришло строкой вместо числа.
- Zod проверяет параметры tool calling перед отправкой запроса во внешний API.
- CRM-интеграция не записывает сделку, если в ответе агента нет обязательного deal_id.
- В evals фиксируется, что новая версия промпта чаще нарушает схему structured output.
Где используется
- проверка structured output
- валидация JSON-ответов модели
- безопасный tool calling
- проверка данных перед записью в CRM или базу
- контроль контрактов API
- валидация параметров workflow
- автоматическое исправление невалидного ответа
- тестирование AI-агента перед запуском
- логирование ошибок интеграций
Связанные термины
Agent trace
Confidence score
Data quality check
Dataset для evals
Evals
Guardrails
JSON Schema
SQL validator
Частые вопросы
Что такое schema validation простыми словами?
Это проверка, что данные имеют правильную структуру: нужные поля есть, типы совпадают, обязательные значения заполнены и ограничения соблюдены.
Зачем schema validation нужна AI-агентам?
Чтобы не передавать в API, CRM или базу кривой ответ модели: без обязательных полей, с неверными типами или лишним текстом вместо JSON.
Schema validation проверяет правдивость ответа?
Нет. Она проверяет форму данных. Для проверки правдивости нужны источники, бизнес-правила, fact checking, approval или отдельная логика валидации.
Какие инструменты используют для schema validation?
Часто используют JSON Schema, Pydantic, Zod, OpenAPI-схемы, валидаторы фреймворков и встроенные механизмы structured output.
Что делать, если ответ модели не прошел schema validation?
Можно попросить модель исправить ответ, повторить вызов с ошибкой в контексте, остановить workflow, записать ошибку в trace или отправить случай человеку.
