Instructor

—Stars

基于 Pydantic 的 LLM 结构化输出框架，将响应模型、验证、重试与多提供商适配统一到类型安全的 Python 接口，支持 OpenAI、Anthropic、Gemini、Bedrock 等主流模型服务。

GEMINI REQUEST PIPELINE · INPUT OWNERSHIP

补全请求参数，不代表可以改写调用者的配置

外层字典被复制后，嵌套映射仍可能指向同一个对象；真正的输入隔离必须切断这条别名关系。

CALLER-OWNED CONFIGsafety_settings

HATEBLOCK_ONLY_HIGH

id: config_A

BEFORE · SHALLOW COPY

result = kwargs.copy()nested mappingconfig_A ↔ config_A

apply defaultsCALLER MUTATED

AFTER · DETACHED MERGE

INPUTconfig_A→ copy →OUTPUTconfig_B

input unchanged ✓identity differs ✓defaults applied ✓

NO SHARED MUTABLE STATE

隐蔽副作用

`update_gemini_kwargs()` 虽然复制了最外层请求参数，却继续复用调用者传入的嵌套 `safety_settings` 映射；合并 Gemini 默认阈值时会原地修改应用持有的配置，使同一字典在后续请求中携带 Instructor 写入的状态。

对象边界

外层浅拷贝只隔离字典壳，不能改变嵌套可变对象仍被共享的事实。请求规范化应把调用方输入视为只读：既要把默认阈值写入即将发送的请求，也必须保证返回映射与原对象不再别名，避免一次调用改变之后的应用行为。

安全合并

在应用默认阈值前显式复制 `safety_settings`，再把独立映射写回结果；回归测试同时锁定三条契约：原始配置保持不变、输出不与输入共享对象身份、发送给 Gemini 的默认安全阈值仍然完整生效。

请求隔离

调用者传入的安全配置在请求前后保持内容与对象边界稳定，返回映射则拥有独立的嵌套设置；默认阈值仍能完整补齐。复用同一配置发起多次请求时，后一次行为不再受前一次规范化过程影响。