JSON Schema 构建器
可视化构建 JSON Schema，用于 LLM 结构化输出、函数调用和 API 验证。
Properties
Schema Preview
{
"$schema": "http://json-schema.org/draft-07/schema#",
"type": "object"
}如何使用此工具
- 点击「添加属性」开始构建 Schema，每个属性需要填写名称、类型和描述。
- 选择属性类型：string、number、integer、boolean、array 或 object。如果是 array，还可以指定元素类型。
- 将必须出现的字段标记为「Required」。LLM 在有明确的必填/选填区分时表现更好。
- 开启「LLM 结构化输出模式」，工具会自动应用 AI 友好的最佳实践（为所有字段添加描述、对受限值使用 enum 等）。
- 使用「从 JSON 示例导入」功能，自动从一段示例 JSON 中推断 Schema 结构，然后用可视化编辑器精细调整。
- 从预览面板复制生成的 JSON Schema，直接用在 LLM API 的结构化输出调用中。
用 JSON Schema 驾驭 LLM 输出
JSON Schema 是一种描述 JSON 数据结构的标准。在 AI 开发中，JSON Schema 用于告诉大语言模型它应该以什么格式返回响应——这就是所谓的「结构化输出」。与自由文本不同，结构化输出返回的是格式可靠的 JSON，应用程序可以直接解析和使用。
2026 年，所有主流 AI 服务商都已支持基于 JSON Schema 的结构化输出：OpenAI 的 response_format（json_schema 类型）、Anthropic 的 tool use（input_schema）、Google Gemini 的 responseSchema，以及各家的 function calling。这里构建的 Schema 可以通用于所有这些 API。
为 LLM 构建有效的 Schema 有一些特定的最佳实践：为每个属性添加 description（它们相当于给模型的指令）；尽量用 enum 约束字符串值；嵌套层级控制在 2-3 层以内；将所有关键字段标记为 required；避免 oneOf、anyOf 等复杂模式，这些容易让模型产生混淆。
常见使用场景包括：从非结构化文本中提取结构化数据（姓名、日期、地址等）、生成一致的 API 响应、构建带有类型化动作的对话 AI、创建将文档转为数据库记录的数据管道，以及实现带有类型化工具调用的 AI Agent。
最后更新：2026 年 2 月
常见问题
JSON Schema 在 AI 中有什么用？
JSON Schema 定义 LLM 输出的预期结构。OpenAI 的结构化输出、Anthropic 的工具使用以及大多数函数调用 API 都使用 JSON Schema 来告诉模型以什么格式响应。
什么是 'LLM 结构化输出模式'？
此模式应用 LLM Schema 最佳实践：为所有字段添加描述（帮助模型理解要生成什么），使用枚举约束值，避免深度嵌套的可选字段等容易混淆模型的模式。
能从 JSON 示例导入吗？
可以！粘贴 JSON 示例，工具会自动推断 Schema。它能检测类型、必填字段和数组项类型。然后你可以用可视化编辑器进一步调整。
哪些 AI 服务商支持 JSON Schema 结构化输出？
2026 年所有主流服务商都已支持：OpenAI（response_format 配合 json_schema）、Anthropic（tool use 配合 input_schema）、Google Gemini（responseSchema）、Mistral（function calling）以及 Cohere（structured outputs）。JSON Schema 格式在各家之间是通用的。
如何在 OpenAI API 中使用生成的 Schema？
在 API 请求的 response_format 参数中，将 type 设为 json_schema，然后将生成的 Schema 放入 schema 字段。OpenAI 会保证响应严格匹配你定义的结构，包括必填字段和类型约束。
Function Calling 和结构化输出有什么区别？
Function Calling 让模型自主决定何时调用哪个函数（用于 Agent 和工具调用场景）。结构化输出则强制每次响应都遵循特定的 JSON 格式（用于数据提取和格式化场景）。两者都使用 JSON Schema 来定义预期结构，这里构建的 Schema 对两种场景都适用。