结构化输出与约束解码

结构化输出保证与语法约束解码引擎 (Guaranteed Structured Outputs & Grammar-Constrained Decoding) 是将大模型非确定性自然语言输出强制转换为 100% 符合特定 JSON Schema / Pydantic 语法树的核心 AIE 基础设施；两大实现流派：1) 提示词与自我修复流 (Prompting + Pydantic Validation + OutputFixingParser: 让模型尝试输出 JSON，若反序列化失败则将错误 Trace 拼入 Prompt 让 LLM 重新修复，存在延迟高与偶发解析失败缺陷)；2) 引擎级约束解码 (Engine-Level Constrained Decoding / Outlines / SGLang / Guidance): 在大模型每一步自回归采样时，通过编译 JSON Schema 为确定有限状态自动机 (DFA / CFG 语法上下文无关文法)，动态构建 Logits Mask 掩码，将当前不符合 JSON 语法的 Token Logits 强行置为 $-\infty$（如在字段名后只能输出 `": "`），从数学与采样层面提供 100% 语法绝对合法保证 且零性能开销。

自动化工作流 API 参数提取、企业数据库 SQL 自动生成、下游强类型系统数据对接。

传统大模型经常在 JSON 末尾遗漏括号、输出 Markdown 代码块三反引号或生成多余解释性文字，导致下游程序 `json.loads()` 抛出异常崩溃；约束解码提供了 100% 确定性的结构化输出可靠性。

详细剖析 Outlines / SGLang 基于有限状态自动机 (DFA) 在 Logits 层面做 Token Masking 的底层执行原理？

为什么语法约束解码 (Constrained Decoding) 不会显著降低 LLM 的推理吞吐量（解析 DFA 状态转移矩阵的离线预编译机制）？

Pydantic 结合 OpenAI Structured Outputs (严格模式 `strict=True`) 对缺失字段、额外字段与类型校验的处理机制？

在端到端 Agent 系统中，如何利用结构化输出直接生成具备嵌套多步骤执行计划的 Task DAG？

流式结构化输出解析 (Streaming Partial JSON Parser): 客户端如何在 Token 持续打字机流式到达时实时解析不完整的半成品 JSON 树？