如果你最近在写 LLM 应用一定遇到过这样的场景模型返回了一段看起来很像 JSON 的文本但是字段名和你代码里定义的完全对不上或者它多了一个你完全没预料到的字段导致前端渲染直接崩溃更常见的是你花了一个下午调试 prompt只为让模型“按格式输出”但它偶尔还是会“自由发挥”。过去一年大家讨论 AI 应用开发更多聚焦在模型选型、Prompt 工程、RAG 架构这些话题上。但随着 LLM 从“聊天玩具”走向“业务系统”一个非常传统、甚至有点“古典”的工程概念正在重新回到舞台中央它就是类型系统。本文想聊的话题是Types with AI——当我们用类型去约束、校验、管理 LLM 的输入输出时AI 应用开发会发生什么变化。我的判断是类型系统正在成为 LLM 应用工程化的基础设施。它不会替代 Prompt也不会替代模型微调但它会像当年 TypeScript 拯救 JavaScript 一样把 AI 应用从“能跑就行”推向“可维护、可测试、可上线”的工程状态。这篇文章会用 Python、TypeScript 和 Function Calling 三个完整示例带你打通“类型化 LLM 开发”的完整路径并给出可直接落地的工程建议。1. 为什么说类型是 LLM 开发的“隐形刚需”先放下概念看一个几乎所有人都会遇到的真实场景。你写了一个客服机器人需要从用户提问中抽取订单相关信息。你精心设计了 Prompt让模型输出如下格式{ order_id: 20250101001, user_name: 张三, issue_type: 退款 }第一版测试一切正常。上线一周后你发现日志里开始出现解析异常。排查后发现模型某次输出了这样的内容{ orderId: 20250101001, user_name: 张三, issue_type: refund }字段命名从order_id变成了orderId枚举值从中文变成了英文。你没有做任何改动但模型在某个时间点之后“改变风格”了。而你的业务代码此时已经因为找不到字段而抛出了KeyError或undefined。这类问题的本质是什么大模型输出天然是非结构化的而业务系统天然是结构化的。两者的交汇点如果没有一层强约束所有的不可靠性都会传导到下游。很多人的第一反应是把 Prompt 写得再严格一点让模型“一定不要乱输出”。但熟悉大模型行为方式的开发者都清楚Prompt 是软约束不是硬约束。模型有概率性任何指令都存在被“忽略”的可能。更好的做法是在模型和业务代码之间加装一道“类型围栏”第一层在调用前用类型定义声明期望的结构第二层在模型返回后立即做结构校验和数据清洗第三层让失败尽早暴露而不是等业务逻辑执行到一半才崩。这不是新的发明而是把传统软件工程里已经验证过无数次的“契约优先”理念平移到了 LLM 应用开发中。TypeScript 解决了 JavaScript 缺乏类型约束导致的巨型项目维护难题同理类型系统也能解决 LLM 应用输出不可控导致的工程混乱。2. 核心概念类型、结构化输出与“LLM 契约”在展开代码之前先把几个关键概念讲清楚。这些概念在后续所有示例中都会反复出现。2.1 类型系统在 LLM 开发中是什么传统编程里的类型是编译器用来看住变量的——字符串不能参与数学运算对象必须有 declared 的属性。在 LLM 开发语境里类型承担的角色更接近“对模型输出的结构声明”。你告诉系统模型的输出应该是一个对象包含一个字符串类型的name字段一个数字类型的rating字段以及一个取值范围限定的status字段。这就是类型定义。它同时服务于人和机器对开发者它写明了“模型到底应该返回什么”对代码它提供了运行时校验的依据对 IDE它提供了自动补全和静态检查的基础。2.2 结构化输出Structured Output是什么大模型在训练时学习的是“下一个 token 的概率”它的天然输出是自然语言不是 JSON。所谓结构化输出就是通过解码策略、提示词约束或后处理手段让模型的最终输出落在我们期望的数据结构里。目前比较成熟的技术路径包括JSON Mode让模型只输出合法 JSON但 JSON 内部结构不可控JSON Schema 约束在模型解码时限制它只能生成符合 Sche
