llm type_error ai_generated true

ValidationError: ToolCall 的 1 个验证错误 value 输入应为有效整数 [type=int_parsing, input_value='42.5', input_type=str]

ValidationError: 1 validation error for ToolCall value Input should be a valid integer [type=int_parsing, input_value='42.5', input_type=str]

ID: llm/tool-argument-type-coercion-failure

其他格式: JSON · Markdown 中文 · English
80%修复率
86%置信度
1证据数
2024-03-12首次发现

版本兼容性

版本状态引入弃用备注
pydantic==2.5.0 active — — —
pydantic==2.7.0 active — — —
openai==1.16.0 active — — —
gpt-4-turbo-2024-04-09 active — — —

根因分析

使用带有结构化输出的工具调用时，LLM 可能生成字符串形式的参数（例如 '42.5'）而不是预期的类型（例如整数），导致 Pydantic 或 JSON schema 验证在类型强制转换期间失败。

English

When using tool calling with structured outputs, the LLM may generate arguments as strings (e.g., '42.5') instead of the expected type (e.g., integer), causing Pydantic or JSON schema validation to fail during type coercion.

generic

官方文档

https://docs.pydantic.dev/latest/errors/validation_errors/

解决方案

  1. 使用 Pydantic 的 `BeforeValidator` 强制类型转换：`from pydantic import BeforeValidator; def coerce_int(v): return int(float(v)) if isinstance(v, str) else v; class ToolCall(BaseModel): value: Annotated[int, BeforeValidator(coerce_int)]`
  2. 在工具模式中，指定 `type: 'number'` 而不是 `type: 'integer'`，以接受字符串形式的整数和浮点数。
  3. 添加一个重试循环，并附带系统提示，指示 LLM 生成具有正确类型的有效 JSON：'确保所有数字字段是数字，而不是字符串。'

无效尝试

常见但无效的做法:

  1. 60% 失败

    This may still fail if the string cannot be parsed as the target type (e.g., 'abc' for int) or produces unexpected values.

  2. 55% 失败

    This can mask genuine errors like out-of-range values or non-numeric strings.