Instructor 运行时重试自愈

Instructor 是一个在 Python 生态中广泛采用的客户端结构化提取与运行时自愈校验库；它基于 Pydantic 运行时数据验证器 (`@field_validator` / `@model_validator`) 对 LLM 输出的结构化数据进行深度业务规则校验（如检验日期有效性、数值范围、字段依赖关系）；当数据违反校验规则时，Instructor 自动捕获 Pydantic 的 `ValidationError` 异常，并将详细的错误回溯信息与纠错说明回填为新的提示词，自动触发大模型进行重试自愈 (Self-Healing Retry Loop)，直到校验通过或达到最大重试次数。

复杂业务强规则校验（如“结束时间必须晚于开始时间”）、跨模型供应商统一结构化抽取、以及老旧不支持原生 Structured Outputs 的模型补强。

语法级 JSON 校验只能保证结构合法，无法保证业务语义合规（如邮箱格式、金额为正数、枚举合法性）；Instructor 弥补了服务端 Schema 无法表达复杂动态业务校验逻辑的空白，提供自动纠偏自愈机制。

详细剖析 Instructor 如何通过 `max_retries` 机制与 `ValidationError` 回填构建闭环自愈重试流？

Instructor 支持的底层提取模式（Tool Calling, JSON Mode, Markdown JSON, Structured Outputs）及其适用模型矩阵？

使用 Pydantic `@field_validator` 结合外部 API 校验（如查询数据库验证用户 ID 是否存在）并在不合规时引导模型重试？

流式结构化抽取 (Streaming Partial JSON / `client.chat.completions.create_partial`) 在前端实时渲染中的实现原理？

对比纯服务端 CFG 状态机掩码与客户端 Instructor 重试方案在延迟开销、API 调用成本与规则表达力上的差异？