伦敦证券交易所集团用 Instructor 构建 AI 市场监控系统：生产级结构化输出的金融实战案例-迪斯科星球

伦敦证券交易所集团用 Instructor 构建 AI 市场监控系统：生产级结构化输出的金融实战案例

【免费下载链接】instructorstructured outputs for llms项目地址: https://gitcode.com/GitHub_Trending/in/instructor

导读

本文基于 Instructor 官方博客案例，深入剖析伦敦证券交易所集团（LSEG）如何将 Instructor 部署到生产环境，支撑其 AI 驱动的市场监控（Market Surveillance）系统：通过 Amazon Bedrock 调用 Anthropic Claude 模型，对海量监管新闻做高精度的价格敏感性分类。文章在完整还原 LSEG 案例的规模、指标与技术架构之外，还结合当前仓库的 Bedrock 集成文档、Anthropic 集成文档、分类示例与 Pydantic 校验源码，给出可复现的两阶段分类管线实现，帮助你掌握如何在强监管、高吞吐的金融场景中落地 LLM 结构化输出。

案例背景：为什么市场监控需要结构化输出

伦敦证券交易所集团每年处理超过£1 万亿的证券交易，涉及400 家会员机构，因此必须构建精细的市场滥用（market abuse）检测机制。其全新 AI 驱动的Surveillance Guide（监控指南）系统，承担一个关键任务：自动分析海量监管新闻，判断其中哪些内容属于价格敏感信息（price-sensitive news），从而辅助分析师快速复核被标记为潜在市场滥用的交易。

这一场景对 AI 系统的核心诉求是准确性与可靠性优先于一切——金融监管合规领域不允许随意的、格式不稳定的模型输出。LSEG 选择 Instructor 正是因为它能把 LLM 的自由文本输出强制转换为类型安全、可校验的 Pydantic 结构，让下游 Python 管道可以零摩擦地消费这些结果，这正是 Instructor 的核心能力（项目描述即为 "structured outputs for llms"）。

生产环境的实际效果

据官方博客公布的数据，LSEG 的市场监控系统取得了非常亮眼的运行指标：

100% 精确率（precision）：识别"非敏感新闻"时无一误判；
100% 召回率（recall）：检测"价格敏感内容"时无一漏报；
自动化分析了250,000+ 篇监管新闻文章；
显著降低了人工分析师的工作负担。

需要说明的是，上述指标来自官方博客案例的公开表述；从仓库内部我们无法复现其评测集，因此这些数字应视为 LSEG 对外公布的运行结论而非本仓库可验证的基准。结合仓库中的分类示例（如 examples/classification/classifiy_with_validation.py）可以推断，这类"零漏报、零误报"的目标依赖两件事：一是足够清晰的任务定义与枚举约束，二是完善的校验与重试机制，下文将逐一展开。

技术架构：Instructor × Claude × Amazon Bedrock

LSEG 的技术栈包含三个关键层次：

Instructor 库：与 Claude 模型无缝集成，负责把 LLM 输出约束为结构化、可校验的响应模型；
Amazon Bedrock：可扩展的基础模型基础设施，托管并调用 Anthropic Claude 模型；
自定义 Python 管道：负责数据处理与分析，消费 Instructor 产出的结构化结果。

整条链路的核心是两阶段分类方法：监管新闻先经过初步分类，再进入后续分析环节，Instructor 在其中确保 LLM 返回可靠、结构化的响应，供下游分析直接使用。

在仓库中定位这套技术栈

这套架构在当前仓库中有完整的一手资料支撑：

docs/integrations/bedrock.md：完整的 Bedrock 接入指南，含环境配置、同步/异步示例、支持的模式与模型列表；
docs/integrations/anthropic.md：Anthropic Claude 的结构化输出教程，涵盖工具调用、流式与思考模式；
instructor/providers/bedrock/client.py：Bedrock 兼容层源码，from_bedrock从instructor.v2.providers.bedrock.client导入，说明当前版本已统一走 v2 实现；
instructor/providers/：包含 bedrock、anthropic 等全部官方 provider 目录。

第一步：从零搭建 Bedrock 结构化输出客户端

安装与环境准备

LSEG 使用的核心依赖是 AWS Bedrock + Claude 模型。按仓库集成文档，安装命令为：

pip install "instructor[bedrock]"

前提条件：拥有可访问 Bedrock 的 AWS 账户及相应权限，并配置好 AWS 凭证，可通过环境变量或 AWS CLI 两种方式：

# 方式一：环境变量 export AWS_ACCESS_KEY_ID=your_access_key export AWS_SECRET_ACCESS_KEY=your_secret_key export AWS_DEFAULT_REGION=us-east-1 # 方式二：AWS CLI aws configure

用 from_provider 创建客户端

当前版本推荐使用统一的from_provider入口（见 docs/concepts/from_provider.md），一行代码即可完成客户端创建，并自动处理 AWS 凭证探测、区域配置（默认us-east-1）以及基于模型的模式选择（Claude 模型默认使用TOOLS模式）：

import instructor # Auto client with model specification client = instructor.from_provider("bedrock/anthropic.claude-sonnet-5")

如果已有自定义的 boto3 客户端（例如需要指定区域或凭证），也可以显式传入：

import boto3 import instructor bedrock_client = boto3.client( 'bedrock-runtime', region_name='us-west-2', aws_access_key_id='your_key', aws_secret_access_key='your_secret', ) client = instructor.from_provider( "bedrock/anthropic.claude-sonnet-5", client=bedrock_client, mode=instructor.Mode.TOOLS, )

一个值得注意的兼容性细节：Bedrock 集成同时支持 OpenAI 风格与 Bedrock 原生两种消息格式，甚至可以在同一次请求中混用；模型参数既可以用 OpenAI 风格的model，也可以用 Bedrock 原生的modelId（两者同时提供时modelId优先）。这意味着团队可以把既有的 OpenAI 风格代码平滑迁移到 Bedrock 之上。

一个完整的同步分类调用

下面是一个可复制运行的入门示例（结构与 docs/integrations/bedrock.md 中的 Sync Example 一致）：

import boto3 import instructor from pydantic import BaseModel bedrock_client = boto3.client('bedrock-runtime') client = instructor.from_provider("bedrock/anthropic.claude-sonnet-5") class User(BaseModel): name: str age: int user = client.create( modelId="anthropic.claude-sonnet-5", messages=[ {"role": "user", "content": "Extract: Jason is 25 years old"}, ], response_model=User, ) print(user) #> User(name='Jason', age=25)

第二步：用枚举 + 校验构建"零误报"分类模型

市场监控分类对结果边界的约束极为严格。仓库的枚举指南明确建议：用 Enum 约束标准化字段，并始终提供一个 "Other" 兜底选项，让模型能够表达不确定性，从而防止数据错位（data misalignment）。

对照 LSEG 的两阶段分类场景，可以设计出如下响应模型——第一阶段判断新闻是否价格敏感：

from enum import Enum from pydantic import BaseModel, Field, field_validator class NewsSensitivity(str, Enum): PRICE_SENSITIVE = "price_sensitive" NON_SENSITIVE = "non_sensitive" OTHER = "other" class FirstStageClassification(BaseModel): """第一阶段：判断监管新闻是否属于价格敏感信息""" sensitivity: NewsSensitivity = Field( description=( "Correctly assign one of the predefined sensitivity levels " "based on whether the news could move the price of a listed security." ) ) tickers: list[str] = Field( default_factory=list, description="Securities or issuers mentioned in the article, if any", ) rationale: str = Field( description="One-sentence rationale supporting the classification" ) @field_validator("sensitivity") @classmethod def require_sensitivity(cls, v): if v == NewsSensitivity.OTHER: raise ValueError( "Unable to determine sensitivity; please re-read the article " "and provide a definite classification." ) return v

这里有两个关键设计：

枚举约束输出边界：模型只能从固定取值中选择，彻底消除了"敏感""不敏感""价格敏感"这类同义表述不一致带来的下游解析难题（这正是 examples/classification/simple_prediction.py 中Labels枚举做法的生产化延伸）。
校验器把模糊回答挡在门外：借助@field_validator（参考 docs/concepts/validation.md），一旦模型给出OTHER这类含糊结论就主动触发失败，从而驱动 Instructor 的重试机制——这正是实现"100% 精确率 / 100% 召回率"目标的基础设施保障。

底层原理：验证失败自动重试

当校验器抛出ValueError时，Instructor 会把校验错误信息反馈给 LLM并让其重新生成（见 docs/concepts/reask_validation.md 与 docs/getting-started.md 的验证小节）：

重试次数可以通过max_retries参数配置。在监管合规场景中，建议显式设置合理的重试上限，并在最终失败时走人工复核队列，避免静默吞掉异常——仓库的错误处理指南提供了完整的异常类型与捕获模式。

第三步：两阶段分类管线的生产化实现

将上述模型组合进两阶段流水线，即可还原 LSEG "先分类、再分析"的架构思路。第二阶段对已判定为价格敏感的新闻做更细粒度的市场影响分析：

import instructor from pydantic import BaseModel, Field class MarketImpact(BaseModel): """第二阶段：评估价格敏感新闻的市场影响维度""" direction: str = Field( description="Expected price direction: 'up', 'down', or 'neutral'" ) magnitude: str = Field( description="Expected impact magnitude: 'low', 'medium', or 'high'" ) affected_sector: str | None = Field( default=None, description="Sector most likely affected, if identifiable", ) key_evidence: list[str] = Field( description="Quoted facts supporting this assessment" ) client = instructor.from_provider("bedrock/anthropic.claude-sonnet-5") SENSITIVITY_PROMPT = ( "You are a market surveillance analyst. Determine whether the following " "regulatory news is price-sensitive for any listed security. " "Classify into exactly one of: price_sensitive, non_sensitive, other." ) IMPACT_PROMPT = ( "The article below was flagged as price-sensitive. " "Analyze the expected market impact with precise, evidence-based reasoning." ) def analyze_article(article: str) -> tuple[FirstStageClassification, MarketImpact | None]: """两阶段分析：先判敏感性，敏感新闻再评估市场影响""" first_stage = client.create( response_model=FirstStageClassification, max_retries=3, messages=[ {"role": "system", "content": SENSITIVITY_PROMPT}, {"role": "user", "content": article}, ], ) if first_stage.sensitivity != NewsSensitivity.PRICE_SENSITIVE: return first_stage, None impact = client.create( response_model=MarketImpact, max_retries=3, messages=[ {"role": "system", "content": IMPACT_PROMPT}, {"role": "user", "content": article}, ], ) return first_stage, impact

生产化调优要点

推理参数：在低延迟敏感、结果要求保守的金融场景，可显式降低温度。Bedrock 集成支持透传inferenceConfig：

user = client.create( modelId="anthropic.claude-sonnet-5", messages=[{"role": "user", "content": "Analyze this news"}], response_model=FirstStageClassification, inferenceConfig={ "maxTokens": 2048, "temperature": 0.1, "topP": 0.9, "stopSequences": ["STOP"], }, )

批处理：面对 25 万+ 篇新闻的规模，逐条同步调用显然不够。仓库在 docs/concepts/batch.md 与 docs/concepts/parallel.md 中提供了批量与并行处理方案，并配套 examples/batch_classification/（含run.py、run_langsmith.py、run-cache.py）等可直接参考的分类批处理示例。
监控与可观测性：生产部署需要记录每次分类的原始完成信息。Instructor 的create_with_completion（见 docs/concepts/raw_response.md）可以同时返回解析后的 Pydantic 对象与底层 completion，便于审计与重放。

模式选择：Claude 模型下的结构化输出机制

在 Bedrock 上运行 Claude 模型时，Instructor 会根据模型能力与你的选择在几种核心模式间切换（详见 docs/integrations/bedrock.md 的 Supported Modes 一节）：

Mode.TOOLS：使用函数调用（function calling）返回结构化结果，Claude 系列模型默认走此模式；
Mode.JSON_SCHEMA：针对支持原生 JSON Schema 约束解码的模型；
Mode.TOOLS_STRICT：针对支持严格工具使用的模型的原生 schema 强制；
Mode.MD_JSON：直接生成 JSON 文本响应（作为文本抽取的回退方案）。

仓库还明确指出：旧版模式BEDROCK_TOOLS、BEDROCK_JSON已废弃，分别映射到Mode.TOOLS与Mode.MD_JSON；而原生结构化输出需要boto3 1.42.42 或更高版本，且不同模型支持能力不同，选择JSON_SCHEMA或TOOLS_STRICT时应以 AWS 官方结构化输出文档为准。

另外，docs/integrations/anthropic.md 还展示了 Claude 专属的增强能力：在Mode.TOOLS下传入thinking={"type": "adaptive"}可启用自适应扩展思考，让模型在输出结构化结果前先进行推理，且要求显式设置tool_choice={"type": "auto"}——这对于需要"推理链 + 严格 schema"的复杂监管判定场景非常契合。

生产化扩展：语义校验与人工兜底

金融场景仅靠字段级校验（枚举、数值范围）还不够，一些判定标准难以用规则表达。仓库在 docs/concepts/validation.md 中提供了llm_validator语义校验模式，用第二个 LLM 调用检查语义层面的合规性；examples/validators/moderation.py 展示了用AfterValidator(openai_moderation(...))在结果返回前做内容审核的做法。这类"规则校验 + 语义校验"的组合，正是把 LSEG 案例中"分析师复核"环节自动化的可行路径。

同时，从源码结构看（instructor/validation/ 下的llm_validators.py、async_validators.py），Instructor 将校验器与重试循环深度集成：任何校验失败都会自动触发"把错误反馈给模型并重试"的闭环，最终仍失败则抛出异常，交由业务侧人工介入。这种设计保证了生产系统在追求自动化的同时，永远保留可审计、可兜底的出口。

总结：从 LSEG 案例中可复用的工程模式

LSEG 的 Surveillance Guide 案例证明了 Instructor 在"准确性、可靠性至高无上"的金融监管场景中的生产可行性。从案例与仓库证据中可以提炼出四条可复用的工程经验：

用枚举收紧输出边界：分类、标签类字段一律使用Enum/Literal并提供OTHER兜底，从源头消灭自由文本歧义（见 docs/concepts/enums.md）；
用校验器驱动自动重试：把"不可接受"的模型回答（如模糊分类）通过@field_validator显式判失败，让 Instructor 的重试闭环自动纠正，并用max_retries控制成本与延迟（见 docs/getting-started.md）；
用统一入口对接多模型：from_provider("bedrock/...")一行切换基础设施，配合 Bedrock 的 OpenAI 兼容输入格式，降低供应商绑定成本（见 docs/concepts/from_provider.md）；
用结构化响应支撑批处理与审计：25 万+ 文章规模必须走批量与并行管道，并保留原始 completion 供审计追踪（见 docs/concepts/batch.md）。

如果你也想构建自己的生产级结构化输出应用，推荐从 getting-started 快速上手开始，并结合 examples/classification/ 的分类示例与 docs/integrations/bedrock.md 的 Bedrock 接入文档落地第一版管线。

【免费下载链接】instructorstructured outputs for llms项目地址: https://gitcode.com/GitHub_Trending/in/instructor

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

企业官网建设流程全解析