排班描述通常来自自然语言,例如“周一白班必须安排小王,小李不能上夜班”。如果把整段文字直接交给模型判断,结果很难复核,也不容易测试。本篇做一个小型综合项目:让模型只负责从文字中提取排班约束,再由 Python 用确定性规则检查候选排班。这样既保留了自然语言输入的便利,也把最终判断放在可测试的程序代码中。
先划清模型和程序的边界 项目只处理两类硬性约束:must_work 表示某人在指定日期和班次必须出现,cannot_work 表示某人不能出现在该班次。班次固定为 day 和 night,日期统一使用 YYYY-MM-DD。
模型的任务是把“周一白班”“小王不能上夜班”转换成固定字段。它不负责判断排班是否合规,也不直接修改文件或发送通知。Python 程序负责检查同一时段是否重复排班、必须上班的人是否缺席,以及禁止上班的人是否被安排。规则明确后,模型输出变化不会直接变成业务动作。
准备环境和输入文件 在独立虚拟环境中安装官方 Python SDK 和 Pydantic:
1 2 3 python -m venv .venv source .venv/bin/activatepython -m pip install openai pydantic
只通过环境变量提供密钥和模型名,下面的值是占位符:
1 2 export OPENAI_API_KEY="替换为你的真实密钥" export MODEL_NAME="替换为你可用的模型名称"
候选排班保存为 schedule.json。程序只接受三个字段,不认识的字段会被拒绝:
1 2 3 4 [ { "employee" : "小赵" , "date" : "2026-11-23" , "shift" : "day" } , { "employee" : "小李" , "date" : "2026-11-23" , "shift" : "night" } ]
编写最小检查器 将下面代码保存为 schedule_checker.py。当前 OpenAI Python SDK 支持用 responses.parse 配合 Pydantic 模型读取结构化结果;--sample 分支不调用网络,便于先验证规则代码。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 import jsonimport osimport sysfrom pathlib import Pathfrom typing import Literal from openai import OpenAIfrom pydantic import BaseModel, ConfigDictclass StrictModel (BaseModel ): model_config = ConfigDict(extra="forbid" ) class Rule (StrictModel ): employee: str date: str shift: Literal ["day" , "night" ] kind: Literal ["must_work" , "cannot_work" ] class RuleSet (StrictModel ): rules: list [Rule] class Assignment (StrictModel ): employee: str date: str shift: Literal ["day" , "night" ] def extract_rules (text: str ) -> RuleSet: client = OpenAI(api_key=os.environ["OPENAI_API_KEY" ]) response = client.responses.parse( model=os.environ["MODEL_NAME" ], input =[ { "role" : "system" , "content" : ( "从排班描述中提取硬性约束,只返回结构化规则。" "date 使用 YYYY-MM-DD;shift 只能是 day 或 night;" "kind 只能是 must_work 或 cannot_work。无法确认的内容不要猜。" ), }, {"role" : "user" , "content" : text}, ], text_format=RuleSet, ) if response.output_parsed is None : raise RuntimeError("模型没有返回可解析的结构化结果" ) return response.output_parsed def check_schedule (schedule: list [Assignment], rules: list [Rule] ) -> list [str ]: slots: dict [tuple [str , str ], str ] = {} violations: list [str ] = [] for item in schedule: slot = (item.date, item.shift) if slot in slots: violations.append(f"{item.date} {item.shift} 存在重复排班" ) else : slots[slot] = item.employee for rule in rules: actual = slots.get((rule.date, rule.shift)) if rule.kind == "must_work" and actual != rule.employee: violations.append( f"{rule.date} {rule.shift} 必须安排 {rule.employee} ," f"实际为 {actual or '空缺' } " ) elif rule.kind == "cannot_work" and actual == rule.employee: violations.append(f"{rule.date} {rule.shift} 禁止安排 {rule.employee} " ) return violations def sample () -> tuple [RuleSet, list [Assignment]]: rules = RuleSet(rules=[ Rule(employee="小王" , date="2026-11-23" , shift="day" , kind="must_work" ), Rule(employee="小李" , date="2026-11-23" , shift="night" , kind="cannot_work" ), ]) schedule = [ Assignment(employee="小赵" , date="2026-11-23" , shift="day" ), Assignment(employee="小李" , date="2026-11-23" , shift="night" ), ] return rules, schedule def main () -> None : if sys.argv[1 :] == ["--sample" ]: rules, schedule = sample() elif len (sys.argv) == 3 : rules = extract_rules(Path(sys.argv[1 ]).read_text(encoding="utf-8" )) raw_schedule = json.loads(Path(sys.argv[2 ]).read_text(encoding="utf-8" )) schedule = [Assignment.model_validate(item) for item in raw_schedule] else : raise SystemExit("用法:python schedule_checker.py rules.txt schedule.json" ) violations = check_schedule(schedule, rules.rules) print (json.dumps({ "ok" : not violations, "rules" : [rule.model_dump() for rule in rules.rules], "violations" : violations, }, ensure_ascii=False , indent=2 )) if __name__ == "__main__" : main()
先运行离线样例:
1 python schedule_checker.py --sample
再创建 rules.txt,写入类似“2026 年 11 月 23 日白班必须安排小王,小李不能上同一天的夜班”的描述,然后运行:
1 python schedule_checker.py rules.txt schedule.json
程序最终只输出 ok、解析后的 rules 和 violations。具体内容以你的实际输入和模型返回为准;即使模型提取成功,也必须以规则检查结果作为是否通过的依据。
关键代码为什么这样组织 StrictModel 设置了 extra="forbid",可以拒绝模型或输入中额外出现的字段。Literal 限制班次和约束类型,Pydantic 负责第一层类型检查。结构化输出减少了手写 json.loads 的工作,但它不代表业务判断已经完成。
check_schedule 完全不依赖模型。它先把排班转换成“日期+班次”索引,再逐条执行规则。以后增加“一个人每天最多一个班次”等约束时,应继续写成确定性的 Python 规则,并为每条规则准备固定样例。模型适合处理语言歧义,代码适合处理边界和副作用。
--sample 是一个重要的开发入口:没有密钥、没有网络时,也能验证重复排班、缺席和禁排三条路径。真实接入模型后,若返回拒绝、空结果或日期无法确认,应让程序失败并要求补充信息,不要猜一个日期继续排班。
给检查器加上可重复测试 把规则检查从命令行入口中独立出来后,就可以用固定数据测试,不必每次消耗 API 配额。至少准备三组样例:一组完全合规,一组违反 must_work,一组违反 cannot_work;再补一组同一日期和班次出现两个人的输入。测试关注的是 violations 内容和 ok 是否为 False,而不是模型返回的措辞。
还应测试边界数据:空的排班列表、未知班次、缺少员工字段、日期格式错误,以及模型返回额外字段。Pydantic 会拦截一部分输入错误,但日期是否属于允许的排班周期、员工是否存在于花名册,仍然属于业务规则,需要在 check_schedule 前增加显式校验。这样即使以后更换模型或提示词,确定性的规则测试仍能作为回归保护。
常见问题 为什么不让模型直接回答“是否合规”? 因为自然语言结论难以稳定测试,也无法准确定位是哪条规则失败。拆成“提取—校验—报告”三步后,错误更容易复现。
日期和班次解析错了怎么办? 提示词要求不确定时不要猜,程序还应在生产版本中增加日期范围、员工名单和重复规则校验。格式正确不等于事实正确,必要时要让用户确认。
可以自动修改排班吗? 本示例只生成报告,不写回排班文件。若要自动调整,必须先定义候选变更、权限和人工确认流程,不能把模型建议直接当成执行指令。
小结 这个项目把一次 AI 功能拆成“自然语言约束—结构化输出—严格校验—确定性检查—可复核报告”。模型负责理解文字,Python 负责执行规则;两者边界清楚,才能在没有网络时测试核心逻辑,在模型变化后保留稳定的业务判断。综合项目不一定要复杂,先把一个小而完整的数据流跑通,比堆叠更多模型调用更重要。