Framework de Python que añade controles de entrada y salida a aplicaciones con LLM y genera datos estructurados validados a partir de sus respuestas.
7,5 mil727PythonApache-2.0Actualizado hace 7 días
567-labs/instructor
Biblioteca de Python que obtiene datos estructurados y validados con Pydantic de varios LLM, con reintentos automáticos si falla la validación.
- Estrellas
- 14,046
- Forks
- 1,330
- Issues abiertos
- 214
- Último commit
- anteayer
¿Qué es?
Instructor extrae datos tipados de las respuestas de LLM al permitirte definir el formato de salida deseado con un modelo de Pydantic. En lugar de escribir esquemas JSON a mano y analizar texto sin procesar, pasas un response_model al cliente y recibes un objeto de Python validado.
La biblioteca integra las API de varios proveedores, como OpenAI, Anthropic, Google, Ollama y Groq, en una única interfaz creada con from_provider. Si falla la validación, Instructor envía el mensaje de error al modelo y vuelve a intentarlo hasta alcanzar el valor configurable de max_retries. También admite la transmisión de objetos parciales y modelos anidados.
Además de Python, la documentación del proyecto enumera implementaciones en TypeScript, Ruby, Go, Elixir y Rust.
Funciones clave
- 01Define esquemas de salida con modelos de Pydantic y devuelve objetos validados.
- 02Funciona con varios proveedores de LLM mediante una única interfaz from_provider.
- 03Reintenta automáticamente las validaciones fallidas y envía el error al modelo.
- 04Transmite objetos parciales a medida que se generan.
- 05Admite modelos anidados y listas de modelos.
Casos de uso
- Extraer campos como nombres, fechas o precios de texto sin formato definido.
- Convertir las respuestas de LLM en datos tipados para el código de aplicaciones que los procesa.
- Crear pipelines que necesitan obtener JSON fiable de los modelos sin analizarlo manualmente.
Inicio rápido
- 1
Instala la biblioteca con pip
pip install instructor - 2
Crea un cliente para tu proveedor y extrae un modelo de Pydantic
Antes de usarlo
- Se requiere una clave de API o un proveedor de LLM en funcionamiento, como OpenAI o Anthropic, o un servidor Ollama local.
Temas
Preguntas frecuentes
- ¿Qué es instructor?
- Biblioteca de Python que obtiene datos estructurados y validados con Pydantic de varios LLM, con reintentos automáticos si falla la validación. Instructor extrae datos tipados de las respuestas de LLM al permitirte definir el formato de salida deseado con un modelo de Pydantic. En lugar de escribir esquemas JSON a mano y analizar texto sin procesar, pasas un response_model al cliente y recibes un objeto de Python validado.
- ¿instructor es gratuito? ¿Qué licencia tiene?
- instructor es open source bajo la licencia MIT. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿instructor sigue mantenido?
- Mantenimiento activo. El último commit de instructor fue el 20 oct 2026.
- ¿Para qué puedo usar instructor?
- Extraer campos como nombres, fechas o precios de texto sin formato definido. Convertir las respuestas de LLM en datos tipados para el código de aplicaciones que los procesa. Crear pipelines que necesitan obtener JSON fiable de los modelos sin analizarlo manualmente.
- ¿Cómo se instala instructor?
- Instala la biblioteca con pip: pip install instructor Crea un cliente para tu proveedor y extrae un modelo de Pydantic
- ¿Dónde consigo instructor?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/567-labs/instructor
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Una biblioteca rápida de serialización y validación para Python que codifica y decodifica JSON, MessagePack, YAML y TOML mediante anotaciones de tipos estándar.
4,2 mil216PythonBSD-3-ClauseActualizado hace 3 días
SQLModel es una biblioteca de Python para trabajar con bases de datos SQL mediante clases de Python, basada en Pydantic y SQLAlchemy y diseñada para integrarse con FastAPI.
18,4 mil893PythonMITActualizado hace 7 días
Una biblioteca de Python que restringe las salidas de los LLM durante la generación para que coincidan con un tipo, una expresión regular, un esquema JSON o una gramática determinados.
16 mil907PythonApache-2.0Actualizado el mes pasado
Una codificación compacta y legible para humanos de datos JSON, diseñada para reducir el uso de tokens al incluir datos estructurados en prompts de LLM.
25,5 mil1,3 milTypeScriptMITActualizado hace 13 días
Framework de Python para crear aplicaciones y agentes basados en LLM, con interfaces estándar para modelos, embeddings, almacenes vectoriales e integraciones de terceros.
148,1 mil24,9 milPythonMITActualizado anteayer