回答の中身を検証して再依頼する
スキーマが守るのは形まで

回答の中身を検証して再依頼するスキーマが守るのは形まで

生成AIの回答をJSON(データを文字で表すための書き方の決まり)で受け取るとき、OpenAIのAPIの Structured Outputs(構造化出力)を使うと、決めた形どおりのJSONが返ってきます。

キーが欠けることも、数値のはずの項目に文章が入ることもありません。では、次の回答はどうでしょうか。

1週間の売上データを渡して、「売れ筋商品」「その売上金額」「コメント」の3項目を頼んだときの回答の例です。

{"売れ筋商品": "緑茶 500ml", "売れ筋の売上金額": 93000, "コメント": "今週の売れ筋は緑茶 500mlで、売上金額は93,000円でした。"}

キーは3つそろっていて、商品名は文字列、金額は整数です。形は、完全に正しい回答です。 ところが、渡したデータでは、緑茶 500ml の売上金額は 41,100円です。93,000円は、幕の内弁当の売上金額です。商品と金額が食い違っています。

この食い違いは、Structured Outputs では防げません。スキーマ(形の定義)が決めているのは「どんなキーがあり、値はどんな種類か」までで、値が正しいかどうかは決めていないからです。この記事では、形が正しい回答の中身の誤りをPythonで見つけ、誤りを伝えて頼み直す方法を扱います。

先に、この記事の結論を3つ書いておきます。

  • スキーマが守るのは、形までです。 商品名がデータにあるか、金額が合っているか、「売れ筋」をどの基準で選んだかは、スキーマでは確かめられません
  • 中身は、Pythonで確かめます。 選ぶ基準は項目の説明(description)に書いて生成AIへ伝え、返ってきた値は、Pythonで計算した値・データにある商品名と照らし合わせます
  • 誤りが見つかったら、誤りの内容を添えて頼み直します。 頼み直す回数には上限(この記事では2回)を置き、それでも通らない回答は使いません

この記事を読み終えると、次のことができるようになります。

  • スキーマで確かめられることと、確かめられないことを区別できる
  • 選ぶ基準を、Pydanticの Field(description=…) で生成AIへ伝えられる
  • 回答の商品名・金額を、Pythonで計算した値と照らし合わせる関数を書ける
  • 誤りの内容を添えて頼み直す処理を、回数の上限つきで書ける
  • APIキーがなくても、「回答の例」を使って検証と再依頼の流れを試せる
Screenshot

【月1 特定テーマ講座(12月)】
需要予測エージェントを作る(需要予測 × PYTHON × 生成AI)

【開催日時】 全2回(土)2026/12/5,12/19(13:30〜18:00)
【受講形式】 当日Zoom( or 復習用に後日動画視聴)
【参加費用】 2万2千円(税込み)/人

先に、この記事で出てくる用語を整理します

いま全部覚える必要はありません。 本文中でも初出のたびに説明しますので、分からなくなったらここへ戻ってきてください。

用語 この記事での意味
JSON データを文字で表すための書き方の決まり。{"商品名": "幕の内弁当"} のように書く
スキーマ JSONの形(キーの名前・値の種類)の定義
Structured Outputs OpenAIのAPIにスキーマを渡し、その形どおりのJSONを返させる仕組み。日本語では「構造化出力」
Pydantic データの形をクラスとして書き、その形に合っているかを確かめるPythonのライブラリ
クラス/BaseModel クラスは、データの形(どんな項目があり、それぞれどんな種類か)を定義するPythonの書き方。BaseModel はPydanticのクラスの土台
Field/description Field は、項目に追加の情報を付けるPydanticの書き方。description は、その項目に何を書くかの説明文
オブジェクト/属性 クラスから作った実物がオブジェクト。結果.売れ筋商品 のように . で取り出す中身が属性
形の検証 キーがそろっているか、値の種類が合っているかを確かめること。スキーマとPydanticが行う
中身の検証 値そのものが正しいか(データにある商品名か、金額が合っているか)を確かめること。自分でPythonのコードを書いて行う
関数/引数 関数は、処理に名前を付けてまとめたもの。引数は、関数に渡す値
集合(set) 重複のない値の集まり。「この値が含まれているか」を調べるのに使う
正規表現 文字の並びのパターンを書く方法。文章の中から「〜円」の部分だけを取り出すのに使う
再依頼 回答に誤りがあったとき、誤りの内容を伝えて、もう一度生成AIに頼むこと
トークン 生成AIが文章を数える単位。APIの料金は、入力と出力のトークン数で決まる
環境変数 パソコン側に置いておく設定値。APIキーをコードに直接書かないために使う

使うものと準備

この記事のコードは、JupyterLab(ブラウザの中でPythonを少しずつ実行できる開発環境)で動かす前提で書いています。JupyterLabでは、ノートブック(拡張子が .ipynb のファイル)を開き、コードをセル(コードを入力して実行する枠)に貼って、Shift + Enter で1つずつ実行します。この記事のコードも、上から順にセルへ貼って実行してください。

APIキーが必要なのは、生成AIを実際に呼び出すセルだけです。 中身を検証する関数も、頼み直す流れも、「回答の例」を使ってAPIキーなしで試せます。

 ライブラリを入れる

次のコマンドで、pandas(表の集計に使う)と openai(OpenAIのAPIを呼ぶのに使う)を入れます。pip は、Pythonのライブラリを入れるためのコマンドです。

pip install pandas openai

このコマンドは、ターミナル(WindowsならPowerShell)で実行します。JupyterLabのセルで実行するときは、先頭に % を付けて %pip install pandas openai とします。JupyterLab自体がまだ入っていない場合は、ターミナルで pip install jupyterlab を実行して入れ、jupyter lab で起動します。

Pydanticは、openai を入れると一緒に入ります(openai が内部で使っているためです)。

 売上CSVを読む

使うのは、コンビニの売上を想定した学習用のCSVファイル sample_sales_202607.csv です。CSVは、値をカンマで区切って並べた表のファイルで、Excelでも開けます。2026年7月6日(月)〜12日(日)の7日間について、5商品の売上が1日1行ずつ、計35行入っています。この記事からダウンロードして、ノートブック(.ipynb ファイル)と同じフォルダに置いてください。

以下からダウンロードできます。

sample_sales_202607.csv

import json
import pandas as pd

df = pd.read_csv("sample_sales_202607.csv")
print(df.head())
           日付 曜日       商品名 カテゴリ  単価(円)  数量  売上金額(円)
0  2026-07-06  月   おにぎり(鮭)   主食    160  29     4640
1  2026-07-06  月   アイスコーヒー   飲料    180  28     5040
2  2026-07-06  月    サンドイッチ   軽食    380  26     9880
3  2026-07-06  月     幕の内弁当   弁当    620  19    11780
4  2026-07-06  月  緑茶 500ml   飲料    150  36     5400
  • import json は、JSON(データを文字で表すための書き方の決まり)を扱うための道具を読み込みます。Pythonに最初から入っているので、インストールは要りません
  • import pandas as pd は、pandasを pd という短い名前で使えるようにします
  • pd.read_csv() はCSVファイルを読み込み、表(DataFrame)にします。df.head() は先頭の5行だけを表示します

生成AIに渡すデータと、正解を作る

計算はPythonで済ませ、生成AIには文章を書く役を頼みます。この記事では、そのPythonの計算結果が、あとで回答を確かめるための正解にもなります。

 商品別に集計する

商品別 = (
    df.groupby(["商品名", "カテゴリ"], as_index=False)
      .agg(売上金額=("売上金額(円)", "sum"), 販売数量=("数量", "sum"))
      .sort_values("売上金額", ascending=False)
      .reset_index(drop=True)
)
商品別["売上構成比"] = (商品別["売上金額"] / 商品別["売上金額"].sum() * 100).round(1)

print(商品別)
        商品名 カテゴリ   売上金額  販売数量  売上構成比
0     幕の内弁当   弁当  93000   150   33.1
1    サンドイッチ   軽食  64220   169   22.9
2   アイスコーヒー   飲料  41580   231   14.8
3   おにぎり(鮭)   主食  41120   257   14.6
4  緑茶 500ml   飲料  41100   274   14.6
  • groupby(["商品名", "カテゴリ"], as_index=False) は、商品名(とカテゴリ)が同じ行を1つのグループにまとめます
  • agg(売上金額=("売上金額(円)", "sum"), …) は、グループごとに合計(sum)し、売上金額 という名前の列にします
  • sort_values("売上金額", ascending=False) は売上金額の大きい順に並べ、reset_index(drop=True) は行番号を0から振り直します
  • 最後の行で、売上構成比(全体の売上に占める割合、%)の列を足しています

 5商品ぶんをJSONにする

レコード = 商品別.to_dict("records")
データ = json.dumps(レコード, ensure_ascii=False)

print(len(レコード))
print(データ[:100])
5
[{"商品名": "幕の内弁当", "カテゴリ": "弁当", "売上金額": 93000, "販売数量": 150, "売上構成比": 33.1}, {"商品名": "サンドイッチ", "カテゴリ"

to_dict("records") は、表の1行を1つの辞書にして、リスト(順番に並べたもの)にまとめます。json.dumps() でそれをJSONの文字列にし、ensure_ascii=False で日本語をそのまま出しています。len(レコード) は件数(5件)、データ[:100] は文字列の先頭100文字です。この データ を、生成AIへ渡します。

 「売れ筋」の正解は、基準で変わる

生成AIに「売れ筋商品」を答えさせる前に、Pythonで正解を出しておきます。

金額1位 = 商品別.loc[商品別["売上金額"].idxmax()]
数量1位 = 商品別.loc[商品別["販売数量"].idxmax()]

print("売上金額の1位:", 金額1位["商品名"], 金額1位["売上金額"])
print("販売数量の1位:", 数量1位["商品名"], 数量1位["販売数量"])
売上金額の1位: 幕の内弁当 93000
販売数量の1位: 緑茶 500ml 274
  • 商品別["売上金額"].idxmax() は、売上金額がいちばん大きい行の行番号です。商品別.loc[行番号] で、その行を取り出します
  • 金額1位["商品名"] のように、取り出した行から列の名前で値を取り出せます

売上金額で見ると幕の内弁当、販売数量で見ると緑茶 500ml です。 しかも幕の内弁当は、販売数量では5商品のうち最下位(150点)です。「売れ筋」という言葉だけでは、どちらを指すのかが決まりません。

形だけを決めても、答えは1つに決まらない

ここは、APIキーがなくても試せます。まず、形だけを書いたクラスを用意します。

from pydantic import BaseModel

class WeeklySummaryPlain(BaseModel):
    売れ筋商品: str
    売れ筋の売上金額: int
    コメント: str
  • class WeeklySummaryPlain(BaseModel): で、クラスを作ります。(BaseModel) は「Pydanticの BaseModel を土台にする」という意味です
  • 売れ筋商品: str は「売れ筋商品 という項目があり、値は文字列(str)」、売れ筋の売上金額: int は「値は整数(int)」という意味です
  • クラス名は半角英数字にしています。OpenAIのSDK(ライブラリ)がクラス名をスキーマの名前として送り、その名前には日本語が使えないためです。項目名は日本語でかまいません

このクラスに、2通りの「回答の例」を読ませます。売上金額で選んだ回答と、販売数量で選んだ回答です。

例_金額 = '{"売れ筋商品": "幕の内弁当", "売れ筋の売上金額": 93000, "コメント": "売れ筋は幕の内弁当で、売上金額は93,000円でした。"}'
例_数量 = '{"売れ筋商品": "緑茶 500ml", "売れ筋の売上金額": 41100, "コメント": "売れ筋は緑茶 500mlで、274点売れました。売上金額は41,100円です。"}'

for 例 in (例_金額, 例_数量):
    結果 = WeeklySummaryPlain.model_validate_json(例)
    print("形はOK:", 結果.売れ筋商品, 結果.売れ筋の売上金額)
形はOK: 幕の内弁当 93000
形はOK: 緑茶 500ml 41100

model_validate_json(文字列) は、JSONの文字列を読み、クラスの形に合っているかを確かめたうえで、クラスのオブジェクト(実物)を作ります。2つとも、形の検証を通りました。 どちらもキーが3つそろい、値の種類も合っているからです。

形を決めただけでは、「売れ筋」をどちらの基準で選ぶかは生成AIに任されたままです。そして、どちらの基準で選ばれても、形の検証では気づけません。

選ぶ基準を description に書く

まず、基準を生成AIへ伝えます。Pydanticでは、Field(description=…) で、項目ごとに「何を書くか」の説明を付けられます。

from pydantic import Field

class WeeklySummary(BaseModel):
    売れ筋商品: str = Field(description="売上金額がいちばん大きい商品。入力の商品名を、1文字も変えずに書く")
    売れ筋の売上金額: int = Field(description="その商品の売上金額(円)。入力の数値をそのまま書く")
    コメント: str = Field(description="2文以内。金額を書くときは、入力にある売上金額だけを使う")

= Field(description="…") を足しただけで、項目の名前と種類は変わっていません。「売れ筋商品」は売上金額がいちばん大きい商品、と基準を書きました。この説明は、スキーマの一部として生成AIへ送られます。送られるスキーマを表示して、確かめます。

from openai.lib._pydantic import to_strict_json_schema

送るスキーマ = to_strict_json_schema(WeeklySummary)
for 項目, 中身 in 送るスキーマ["properties"].items():
    print(項目, "→", 中身["description"])
売れ筋商品 → 売上金額がいちばん大きい商品。入力の商品名を、1文字も変えずに書く
売れ筋の売上金額 → その商品の売上金額(円)。入力の数値をそのまま書く
コメント → 2文以内。金額を書くときは、入力にある売上金額だけを使う
  • to_strict_json_schema(クラス) は、OpenAIのSDKがクラスから作る「実際に送られるスキーマ」を返します。SDKの内部用の関数なので、確かめるためだけに使い、普段のコードには書きません
  • 送るスキーマ["properties"] は、項目ごとの定義が入った辞書です。.items() で、項目名と中身を1組ずつ取り出しています

3つの項目とも、説明がスキーマに入っています。

ただし、説明を書いたからといって、そのとおりの値が返る保証はありません。 Structured Outputs が保証するのは、キーと値の種類までです。description は、生成AIが読む「お願い」であって、破られないようにする仕組みではありません。だから、返ってきた値を自分で確かめます。

スキーマが確かめること、Pythonで確かめること確かめることを5行に分けた表。キーが3つそろっていること、金額が整数になっていることは、スキーマとPydanticが確かめる。商品名がデータにあること、売れ筋が売上金額の1位であること、金額がデータと合っていることは、スキーマもPydanticも確かめず、自分で書いたPythonの検証だけが確かめる。スキーマが確かめること、Pythonで確かめること形はスキーマとPydanticが確かめる。中身は、自分のPythonコードで確かめる確かめることスキーマ(Structured Outputs)Pydantic(手元)Pythonの検証キーが3つそろっている確かめる確かめる―金額が整数になっている確かめる確かめる―商品名が、データにある確かめない確かめない確かめる「売れ筋」が、売上金額の1位確かめない確かめない確かめる金額が、データと合っている確かめない確かめない確かめる形の検証を通った回答にも、中身の誤りは残る。もう1段、中身の検証が要る※ description は生成AIへ伝える説明文で、値を確かめる仕組みではありません。

中身をPythonで検証する

確かめることは3つです。商品名がデータにあるか、基準どおりの商品か、金額がデータと合っているか。 どれも、Pythonで計算した値と比べれば分かります。

 検証する関数を書く

import re

商品名の一覧 = set(商品別["商品名"])
金額の一覧 = set(int(v) for v in 商品別["売上金額"]) | {int(商品別["売上金額"].sum())}

def 検証する(結果):
    誤り = []
    if 結果.売れ筋商品 not in 商品名の一覧:
        誤り.append(f"売れ筋商品「{結果.売れ筋商品}」は、入力にない商品名です")
    elif 結果.売れ筋商品 != 金額1位["商品名"]:
        誤り.append(f"売上金額がいちばん大きい商品は「{金額1位['商品名']}」です(回答は「{結果.売れ筋商品}」)")
    if 結果.売れ筋の売上金額 != int(金額1位["売上金額"]):
        誤り.append(f"売れ筋の売上金額は {int(金額1位['売上金額'])} です(回答は {結果.売れ筋の売上金額})")
    for 字 in re.findall(r"([0-9][0-9,]*)円", 結果.コメント):
        if int(字.replace(",", "")) not in 金額の一覧:
            誤り.append(f"コメントの「{字}円」は、入力にない金額です")
    return 誤り

少し長いので、順に説明します。

  • set(商品別["商品名"]) は、5つの商品名の集合(重複のない値の集まり)です。値 not in 集合 で、「集合に含まれていない」ことを調べられます
  • 金額の一覧 は、5商品の売上金額と、その合計(281,020円)の集合です。| は、2つの集合を合わせる書き方です
  • def 検証する(結果): で関数を作ります。見つけた誤りを、文章として 誤り というリストに足していき(append)、最後に返します。誤りが無ければ、空のリスト [] が返ります
  • 1つ目の if は、商品名がデータに無い場合です。elif(そうでなくて、もし)は、データにはあるが、売上金額の1位ではない場合です
  • 2つ目の if は、金額が、Pythonで出した1位の売上金額と違う場合です
  • re.findall(r"([0-9][0-9,]*)円", 結果.コメント) は、コメントの中から「数字とカンマの並び+円」の部分を探し、数字の部分だけをすべて取り出します。re は正規表現(文字の並びのパターンを書く方法)を扱う、Pythonに最初から入っている道具です
  • int(字.replace(",", "")) は、"93,000" からカンマを取り除いて、整数の 93000 にします。それが 金額の一覧 に無ければ、誤りとして足します

f"…{結果.売れ筋商品}…" は、文字列の中の { } に値を埋め込む書き方(f文字列)です。誤りの文章は、あとでそのまま生成AIへ送ります。 そのため、「何が違っていて、正しくは何か」が読んで分かる文にしています。

 4つの回答の例で試す

先ほどの2つに、商品名を書き換えた回答と、コメントの金額が違う回答を足して、4つを検証します。

例_書き換え = '{"売れ筋商品": "幕の内弁当(定番)", "売れ筋の売上金額": 93000, "コメント": "売れ筋は幕の内弁当でした。"}'
例_金額違い = '{"売れ筋商品": "幕の内弁当", "売れ筋の売上金額": 93000, "コメント": "幕の内弁当が95,000円を売り上げました。"}'

for 名前, 例 in [("金額", 例_金額), ("数量", 例_数量), ("書き換え", 例_書き換え), ("金額違い", 例_金額違い)]:
    結果 = WeeklySummary.model_validate_json(例)
    print(名前, "→", 検証する(結果))
金額 → []
数量 → ['売上金額がいちばん大きい商品は「幕の内弁当」です(回答は「緑茶 500ml」)', '売れ筋の売上金額は 93000 です(回答は 41100)']
書き換え → ['売れ筋商品「幕の内弁当(定番)」は、入力にない商品名です']
金額違い → ['コメントの「95,000円」は、入力にない金額です']
  • 金額:誤りなし。空のリストが返っています
  • 数量:販売数量で選んだ回答です。商品と金額の2つが、基準と違うと分かります
  • 書き換え:商品名に「(定番)」が足されています。人が読めば同じ商品ですが、データの商品名とは一致しないので、あとで表と結び付けるときに困ります
  • 金額違い:2つの項目は正しいのに、コメントの中の金額がデータにありません。項目の値だけを見ていると見逃す誤りです

4つとも、形の検証は通る回答です。形の検証を通ったあとに、もう1段、中身の検証が要ります。

 この検証で拾えないもの

コメントの検証は、半角の数字とカンマで書かれた「〜円」だけを見ています。「95,000円」(全角の数字)や「約9.5万円」のような書き方は、拾えません。 販売数量(「274点」)や割合(「33.1%」)も見ていません。

文章の中の数値を、もれなく確かめるのは難しい作業です。そこで、ルールのほうで書き方をそろえます(あとの「ルールを書く」で、「金額は半角の数字とカンマで書く」と指示しています)。それでも、文章の検証は「見つけられる誤りを見つける」ものであって、「誤りが無いことの証明」にはならない点は、覚えておいてください。

誤りを添えて頼み直す

誤りが見つかったら、同じ依頼をただ繰り返すのではなく、何が誤りだったかを伝えて頼み直します。

 頼み直すときの入力を作る

def 再依頼文(データ, 前回, 誤り):
    return (データ
            + "\n\n前回の回答:\n" + 前回
            + "\n\n前回の回答には、次の誤りがありました。誤りを直した回答を返してください。\n"
            + "\n".join(f"- {e}" for e in 誤り))

結果 = WeeklySummary.model_validate_json(例_数量)
print(再依頼文("(5商品ぶんのJSON)", 結果.model_dump_json(), 検証する(結果)))
(5商品ぶんのJSON)

前回の回答:
{"売れ筋商品":"緑茶 500ml","売れ筋の売上金額":41100,"コメント":"売れ筋は緑茶 500mlで、274点売れました。売上金額は41,100円です。"}

前回の回答には、次の誤りがありました。誤りを直した回答を返してください。
- 売上金額がいちばん大きい商品は「幕の内弁当」です(回答は「緑茶 500ml」)
- 売れ筋の売上金額は 93000 です(回答は 41100)
  • 入力は、元のデータ・前回の回答・誤りの一覧の3つをつなげた文字列です。"\n" は改行を表します
  • "\n".join(f"- {e}" for e in 誤り) は、誤りを1つずつ「- 」で始まる行にして、改行でつなげます
  • 結果.model_dump_json() は、クラスのオブジェクトをJSONの文字列に戻します

表示を短くするため、ここではデータの部分を「(5商品ぶんのJSON)」という文字に置き換えています。実際には、5商品ぶんのJSONがそのまま入ります。元のデータを毎回入れ直すのは、APIが前回のやり取りを覚えていないためです。

 回数の上限を置いて繰り返す

def 検証つきで受け取る(頼む, データ, 最大再依頼=2):
    入力 = データ
    for 回 in range(最大再依頼 + 1):
        結果 = 頼む(入力)                      # WeeklySummary のオブジェクトが返る
        誤り = 検証する(結果)
        print(f"{回 + 1}回目:", "OK" if not 誤り else f"誤り {len(誤り)}件")
        if not 誤り:
            return {"状態": "OK", "結果": 結果, "呼び出し回数": 回 + 1}
        入力 = 再依頼文(データ, 結果.model_dump_json(), 誤り)
    return {"状態": "検証に通らない", "結果": 結果, "誤り": 誤り, "呼び出し回数": 回 + 1}
  • 1つ目の引数 頼む には、「入力を受け取り、WeeklySummary のオブジェクトを返す関数」を渡します。関数を引数として渡せるので、あとで「回答の例を返す関数」と「APIを呼ぶ関数」を入れ替えられます
  • for 回 in range(最大再依頼 + 1): は、最初の1回と、再依頼の2回を合わせて、最大3回繰り返します
  • if not 誤り: は、「誤りのリストが空なら」という意味です。空なら、そこで return して終わります
  • 誤りがあれば、再依頼文() で次の入力を作り、繰り返しの先頭に戻ります
  • 繰り返しが最後まで終わった(3回とも誤りがあった)ときは、"状態" を "検証に通らない" にして返します

上限を置くのは、終わらない繰り返しを防ぐためです。 頼み直すたびに料金がかかり、時間もかかります。何度頼んでも直らない回答は、頼み方かデータのほうに原因があることが多く、同じ再依頼を重ねても直りません。

 回答の例で、流れを試す

APIを呼ぶ代わりに、用意した回答の例を順に返す関数を作って、流れを試します。

回答の例 = [例_数量, 例_金額]          # 1回目は数量で選んだ回答、2回目は正しい回答(説明用)

def 頼む_例(入力):
    return WeeklySummary.model_validate_json(回答の例.pop(0))

受取 = 検証つきで受け取る(頼む_例, データ)
print(受取["状態"], 受取["呼び出し回数"], 受取["結果"].売れ筋商品)
1回目: 誤り 2件
2回目: OK
OK 2 幕の内弁当
  • 回答の例.pop(0) は、リストの先頭の1つを取り出します(取り出したぶん、リストは短くなります)。呼ばれるたびに、次の回答の例が返ります
  • 1回目は販売数量で選んだ回答なので、誤りが2件見つかります。2回目の回答は検証を通り、"OK" で終わりました。呼び出しは2回です

次に、3回とも同じ誤りが返ってくる場合です。

回答の例 = [例_数量, 例_数量, 例_数量]   # 3回とも同じ誤り(説明用)

受取 = 検証つきで受け取る(頼む_例, データ)
print(受取["状態"], 受取["呼び出し回数"])
print(受取["誤り"][0])
1回目: 誤り 2件
2回目: 誤り 2件
3回目: 誤り 2件
検証に通らない 3
売上金額がいちばん大きい商品は「幕の内弁当」です(回答は「緑茶 500ml」)

3回で打ち切られ、状態は「検証に通らない」になりました。このとき、最後の回答をそのまま使ってはいけません。 状態が "OK" でない回答は、レポートや表には入れず、誤りの内容と一緒に「要確認」として残し、人が確かめます。

誤りを添えて頼み直す流れ自分のPythonコードと生成AIのやり取りを、上から順に6段で示した図。1 データを送る。2 形は正しいが売れ筋商品が緑茶 500ml の回答が返る。3 Pythonで中身を検証し、誤りが2件見つかる。4 データと前回の回答と誤りの一覧を送って頼み直す。5 売れ筋商品が幕の内弁当の回答が返る。6 もう一度検証し、OKになる。誤りを添えて頼み直す流れ検証に通らなければ、誤りの内容を伝えて頼み直す。再依頼は2回まで自分のPythonコード生成AI(API)15商品ぶんのデータを送る頼む(データ)2回答(形は正しい){"売れ筋商品": "緑茶 500ml", …}3中身を検証する → 誤り 2件検証する(結果)4データ+前回の回答+誤りの一覧を送る頼む(再依頼文(…))5直した回答{"売れ筋商品": "幕の内弁当", …}6中身を検証する → OK検証する(結果)3回目も通らなければ打ち切る。通らなかった回答は使わず、人が確かめる※ 回答の例は説明用です。実際のモデルの回答ではありません(2026年11月12日確認)。

実際に呼び出す

ここでは、生成AIを実際に呼び出します。APIキーが必要です。

 APIキーとモデルIDを環境変数に入れる

APIの利用は有料です(使った量に応じた従量課金。単価は OpenAIの料金ページ で確認できます)。ChatGPTの有料プランを契約していても、APIの利用料はその中に含まれません。APIキーは、OpenAIの開発者向けサイト(API keys のページ)で作ります。

APIを呼ぶには、APIキーとモデルID(使うモデルの名前)が要ります。どちらもコードには直接書かず、環境変数(パソコン側に置いておく設定値)から読みます。

  • APIキーをコードに書くと、ノートブックを人に渡したときに、キーも一緒に渡ってしまいます。 漏れたキーは他人に使われ、料金が発生するおそれがあります
  • モデルIDは、新しいモデルが出ると変わります。 Structured Outputs は、対応しているモデルでしか使えません。使えるモデルIDは、OpenAIの公式ドキュメントのモデル一覧で確認してください

Windowsなら、PowerShell(Windowsに入っているコマンド入力の画面)で次のように設定し、同じ画面から JupyterLab を起動します。"…" の中は、自分のAPIキーとモデルIDに置き換えてください。

$env:OPENAI_API_KEY = "ここにAPIキーを貼る"
$env:OPENAI_MODEL = "使うモデルのID"
jupyter lab

Anaconda Prompt(Anacondaに付いてくる、コマンドプロンプト形式の画面)を使っている場合は、書き方が変わります。値をダブルクォートで囲まないのがポイントです。囲むと、ダブルクォートまで値の一部になってしまいます。

set OPENAI_API_KEY=ここにAPIキーを貼る
set OPENAI_MODEL=使うモデルのID
jupyter lab

macOS・Linuxのターミナルでは、次のとおりです。

export OPENAI_API_KEY="ここにAPIキーを貼る"
export OPENAI_MODEL="使うモデルのID"
jupyter lab

いずれも、設定したウィンドウの中だけで有効です。別のウィンドウから起動した JupyterLab では読めないので、設定したのと同じウィンドウで jupyter lab を実行してください。すでに JupyterLab を開いている場合は、いったん閉じてから起動し直します。

参考までに、Google Colab を使う場合は、画面左側の鍵のアイコン(シークレット)に OPENAI_API_KEY という名前でAPIキーを登録し、セルで次のように読み込みます。

import os
from google.colab import userdata

os.environ["OPENAI_API_KEY"] = userdata.get("OPENAI_API_KEY")
os.environ["OPENAI_MODEL"] = "使うモデルのID"

 ルールを書く

ルール = """あなたは小売店の売上を説明する担当者です。
入力はJSONで、5商品ぶんの売上金額・販売数量・売上構成比(全体に占める割合、%)が入っています。
1週間の売上をまとめてください。
金額は、半角の数字とカンマで「93,000円」のように書いてください。"""

""" で囲むと、改行を含む長い文字列を書けます。項目ごとの説明はクラスの description に書いたので、ルールには全体の役割と、金額の書き方だけを書いています。金額の書き方をそろえておくと、コメントの検証で拾いやすくなります。

 APIを呼ぶ関数に入れ替える

import os
from openai import OpenAI

client = OpenAI()                      # OPENAI_API_KEY を環境変数から読む
MODEL = os.environ["OPENAI_MODEL"]     # モデルIDも環境変数から読む

def 頼む_API(入力):
    response = client.responses.parse(
        model=MODEL,
        instructions=ルール,
        input=入力,
        text_format=WeeklySummary,     # 形と、項目ごとの説明(description)を渡す
        max_output_tokens=600,         # 出力の上限(トークン数)
    )
    return response.output_parsed      # WeeklySummary のオブジェクト

受取 = 検証つきで受け取る(頼む_API, データ)
print(受取["状態"], 受取["呼び出し回数"])
  • OpenAI() は、環境変数 OPENAI_API_KEY からAPIキーを読んで、APIを呼ぶ準備をします
  • client.responses.parse(…) がAPIの呼び出しです。instructions に毎回同じルールを、input にその都度変わる入力を渡します。text_format=WeeklySummary で、クラスそのものを渡します
  • response.output_parsed が、WeeklySummary のオブジェクトになった回答です
  • 変えたのは、検証つきで受け取る() に渡す関数だけです。 検証と再依頼の流れは、回答の例で試したものと同じコードが動きます

回答が出力の上限で途中で切れたとき(parse() が例外を出します)や、生成AIが回答を断ったとき(output_parsed が None になります)の扱いは、ここでは省いています。実際に使うときは、頼む_API の中でそれらを確かめてください。

検証できる値は、Pythonの値を使う

ここまで読んで、気づいた方もいるかもしれません。検証のコードが書けるということは、正解をPythonで出せるということです。 それなら、その項目は生成AIに書かせず、Pythonの値をそのまま使えば、誤りは起きません。

項目 Pythonで出せるか おすすめの扱い
売れ筋商品 出せる Pythonの値を使う(生成AIに頼まない)
売れ筋の売上金額 出せる Pythonの値を使う(生成AIに頼まない)
コメント 出せない 生成AIに頼み、中の金額をPythonで検証する

この記事では、検証と再依頼の流れを見せるために、あえて商品名と金額も生成AIに答えさせました。実際に使うときは、生成AIに頼むのは、Pythonでは書けない部分(文章)だけにするのが安全です。検証と再依頼が本当に必要になるのは、その文章の中に出てくる商品名や数値に対してです。

Claude・Geminiではここが違う

検証する()・再依頼文()・検証つきで受け取る() は、3社とも同じものを使えます。 Pythonだけで書いてあり、どの会社のAPIにも依存していないからです。変わるのは、APIを呼ぶ関数の中だけです。

OpenAI Gemini Claude
呼び出す関数 responses.parse() models.generate_content() messages.parse()
クラスを渡す引数 text_format= response_schema= output_format=
受け取り方 output_parsed parsed parsed_output
description スキーマに入って送られる スキーマに入って送られる スキーマに入って送られる
中身の検証 どの会社でも、自分のPythonコードで行う

APIキーは GEMINI_API_KEY・ANTHROPIC_API_KEY、モデルIDは GEMINI_MODEL・CLAUDE_MODEL という名前の環境変数に入れておく前提で書いています。設定のしかたは、OpenAIのときと同じです。

 Gemini の場合

pip install google-genai で入れておきます。

from google import genai
from google.genai import types

gemini = genai.Client()                # GEMINI_API_KEY を環境変数から読む

def 頼む_Gemini(入力):
    response = gemini.models.generate_content(
        model=os.environ["GEMINI_MODEL"],
        contents=入力,
        config=types.GenerateContentConfig(
            system_instruction=ルール,
            response_mime_type="application/json",
            response_schema=WeeklySummary,
            max_output_tokens=600,
        ),
    )
    return response.parsed

受取 = 検証つきで受け取る(頼む_Gemini, データ)

Geminiでは、ルールは config の system_instruction に、クラスは response_schema に渡し、response.parsed で受け取ります。回答をクラスに読み込めなかったときは response.parsed が None になるので、実際に使うときは None かどうかを確かめます。

 Claude の場合

pip install anthropic で入れておきます。

from anthropic import Anthropic

claude = Anthropic()                   # ANTHROPIC_API_KEY を環境変数から読む

def 頼む_Claude(入力):
    message = claude.messages.parse(
        model=os.environ["CLAUDE_MODEL"],
        max_tokens=600,                # 出力の上限(Claudeでは必須)
        system=ルール,
        messages=[{"role": "user", "content": 入力}],
        output_format=WeeklySummary,
    )
    return message.parsed_output

受取 = 検証つきで受け取る(頼む_Claude, データ)

Claudeでは、ルールは system に、クラスは output_format に渡し、message.parsed_output で受け取ります。出力の上限 max_tokens は必ず指定します。

まとめ

今回のポイントです。

覚えておくこと
スキーマが守るもの キーがそろっていること、値の種類。値が正しいかどうかは守らない
基準の伝え方 Field(description="…") に書く。スキーマに入って送られるが、守られる保証はない
中身の検証 Pythonで計算した値・データにある商品名と比べる。誤りは、読んで分かる文章のリストにする
再依頼 元のデータ・前回の回答・誤りの一覧を送る。回数に上限を置く(この記事では2回)
通らなかった回答 使わない。誤りの内容と一緒に残し、人が確かめる
設計 Pythonで出せる値は、生成AIに書かせない。頼むのは文章だけにする
Screenshot

【月1 特定テーマ講座(12月)】
需要予測エージェントを作る(需要予測 × PYTHON × 生成AI)

【開催日時】 全2回(土)2026/12/5,12/19(13:30〜18:00)
【受講形式】 当日Zoom( or 復習用に後日動画視聴)
【参加費用】 2万2千円(税込み)/人