Суть
Схема не только проверяет результат — она направляет процесс. Модель заполняет поля в заданном порядке, и этот порядок есть неявная цепочка рассуждения: сначала промежуточные выводы, затем итоговое решение.
Зачем это нужно
Обычный промпт «проанализируй и дай вывод» даёт произвольный текст: нет структуры, каждый раз другой формат, нельзя обработать автоматически. Жёсткая схема рассуждения делает результат предсказуемым и сразу пригодным для пайплайна.
Как работает
- Поля схемы располагаются в порядке рассуждения. Пример для скрининга:
brief_summary→skill_match: int→experience_fit: int→decision: Literal["hire","reject","hold"]. Модель обязана пройти все шаги. - Каждый шаг типизирован и валидируется (Structured Output) — это отличает SGR от текстового рассуждения, где промежуточные шаги ничем не ограничены.
- Типовые паттерны SGR:
- Classification —
category: Literal[...],confidence: float,reasoning: str(тикеты, намерения, контент). - Extraction — вложенные модели на каждую сущность (Person, Company, Date, Amount): модель извлекает и структурирует одновременно.
- Planning — поля как этапы плана.
- Classification —
- Эффект (кейс HR-скрининга): время на кандидата 4 мин → 40 сек, доля падавших запросов 1 из 8 → 0 форматных ошибок, 300 резюме/день.
Связано с
- Chain of Thought — SGR = структурная, типизированная форма CoT
- Structured Output — механизм, на котором держится SGR
- PydanticAI — где SGR описывается через
BaseModel
Открытые вопросы
- когда SGR хуже свободного CoT (жёсткая схема может «зажать» рассуждение на нестандартной задаче)
- как порядок полей влияет на качество вывода