1.3 他ツールとの比較

LLM出力構造化ツールの比較

LLMの出力を構造化するためのツールは複数存在する。本節では、主要なツールの特徴と使い分けを解説する。

各ツールの詳細

Instructor

OpenAIのFunction Callingを活用し、Pydanticモデルへの構造化を簡潔に行うライブラリ。

import instructor
from openai import OpenAI
from pydantic import BaseModel

client = instructor.from_openai(OpenAI())

class User(BaseModel):
    name: str
    age: int

user = client.chat.completions.create(
    model="gpt-4",
    response_model=User,
    messages=[{"role": "user", "content": "田中太郎、30歳"}]
)

Outlines

文法（Grammar）を定義し、生成時点で出力を制約するライブラリ。主にローカルLLMで使用。

import outlines

model = outlines.models.transformers("mistralai/Mistral-7B")

class Person(BaseModel):
    name: str
    age: int

generator = outlines.generate.json(model, Person)
result = generator("田中太郎は30歳です")

Marvin

Prefect社が開発したAIエンジニアリングツールキット。関数デコレータで簡潔にAI機能を追加。

import marvin
from pydantic import BaseModel

class Location(BaseModel):
    city: str
    country: str

result = marvin.extract(
    "東京は日本の首都です",
    target=Location
)

使い分けの指針

まとめ

LLM出力の構造化ツールは、それぞれ異なるアプローチと強みを持つ。単純な構造化にはInstructor、複雑な検証やLangChain統合にはGuardrails AI、ローカルLLMでの厳密な構造化にはOutlinesが適している。

次章では、Guardrails AIのアーキテクチャと処理フローを詳しく解説する。