Strukturierte Ausgaben

# Python-Beispiel mit Pydantic
from google import genai
from pydantic import BaseModel
from typing import List

# Schema definieren
class ProductReview(BaseModel):
    product_name: str
    rating: int
    pros: List[str]
    cons: List[str]
    summary: str

# Client initialisieren
client = genai.Client(api_key="YOUR_API_KEY")

# Strukturierte Ausgabe anfordern
response = client.models.generate_content(
    model="gemini-2.5-flash",
    contents="Analysiere diese Produktbewertung und extrahiere die wichtigsten Informationen: 'Das iPhone 15 Pro ist ein tolles Gerät mit excellenter Kamera und starker Performance. Die Akkulaufzeit könnte besser sein und der Preis ist sehr hoch.'",
    config={
        "response_mime_type": "application/json",
        "response_schema": ProductReview,
    }
)

# Ergebnis als strukturiertes Objekt nutzen
review = response.parsed
print(f"Produkt: {review.product_name}")
print(f"Bewertung: {review.rating}/5")

# Python-Beispiel mit Tool Use
import anthropic

client = anthropic.Anthropic(api_key="YOUR_API_KEY")

# Tool (Schema) definieren
analyze_tool = {
    "name": "analyze_review",
    "description": "Extrahiert strukturierte Informationen aus einer Produktbewertung",
    "input_schema": {
        "type": "object",
        "properties": {
            "product_name": {"type": "string"},
            "rating": {"type": "integer", "minimum": 1, "maximum": 5},
            "pros": {"type": "array", "items": {"type": "string"}},
            "cons": {"type": "array", "items": {"type": "string"}},
            "summary": {"type": "string"}
        },
        "required": ["product_name", "rating", "pros", "cons", "summary"]
    }
}

# Anfrage mit Tool Use
response = client.messages.create(
    model="claude-3-5-sonnet-20241022",
    max_tokens=1024,
    tools=[analyze_tool],
    tool_choice={"type": "tool", "name": "analyze_review"},
    messages=[{
        "role": "user",
        "content": "Analysiere diese Produktbewertung: 'Das iPhone 15 Pro ist ein tolles Gerät mit excellenter Kamera und starker Performance. Die Akkulaufzeit könnte besser sein und der Preis ist sehr hoch.'"
    }]
)

# Strukturierte Ausgabe extrahieren
if response.content[0].type == "tool_use":
    review_data = response.content[0].input
    print(f"Produkt: {review_data['product_name']}")
    print(f"Bewertung: {review_data['rating']}/5")

# Python-Beispiel mit strukturierter Ausgabe
from openai import OpenAI
from pydantic import BaseModel
from typing import List

client = OpenAI(api_key="YOUR_API_KEY")

# Schema definieren
class ProductReview(BaseModel):
    product_name: str
    rating: int
    pros: List[str]
    cons: List[str]
    summary: str

# Strukturierte Ausgabe anfordern
completion = client.beta.chat.completions.parse(
    model="gpt-4o-2024-08-06",
    messages=[
        {"role": "system", "content": "Du bist ein Experte für Produktanalyse."},
        {"role": "user", "content": "Analysiere diese Bewertung: 'Das iPhone 15 Pro ist ein tolles Gerät mit excellenter Kamera und starker Performance. Die Akkulaufzeit könnte besser sein und der Preis ist sehr hoch.'"}
    ],
    response_format=ProductReview,
)

# Ergebnis als strukturiertes Objekt
review = completion.choices[0].message.parsed
print(f"Produkt: {review.product_name}")
print(f"Bewertung: {review.rating}/5")

# Alternative: JSON Mode ohne Pydantic
response = client.chat.completions.create(
    model="gpt-4o-2024-08-06",
    messages=[
        {"role": "system", "content": "Gib deine Antwort als JSON zurück mit den Feldern: product_name, rating, pros, cons, summary"},
        {"role": "user", "content": "Analysiere die iPhone 15 Pro Bewertung..."}
    ],
    response_format={"type": "json_object"}
)