你让本地 AI 从家庭记录里找出洗碗机何时能运行，下游程序要的不是一段建议，而是能直接读取的字段。Shuai Guo 用智能家居案例演示了这套接口：以 Gemma 4 处理本地文本，Ollama 负责运行模型，再用 Pydantic 定义 Schema——也就是字段、类型和必填项的“表格说明书”。这样既能保留排程所需事实，也能减少不必要的私人信息流向后续环节。
真正值得注意的是，结构正确不等于内容可靠。约束生成可以减少括号缺失、字段拼错等格式问题，Pydantic 还能检查 JSON 是否可解析、字段类型是否合规；但日期范围、枚举值等业务规则仍要另行验收。失败后应重试、要求模型修复，或转交人工处理。说白了，本地 LLM 要进入自动化数据管线，稳定性来自“生成—校验—恢复”这一整套闭环，而不是某次恰好输出了漂亮的 JSON。原文节选未披露错误率或恢复成功率，因此暂时无法判断这套做法在大规模运行中的实际可靠性。