用途：当 LLM 输出必须遵循 JSON 或对象模式、需要可靠交给后续保存/分析/API 调用等自动化环节、或结构化可验证输出比自由文本更重要时使用本技能。
主要能力：以 Pydantic 模型为先设计输出模式，通过工具集成统一输入输出类型，对不合规输出进行验证、分类与修复重试，并为最终结果附带验证状态。
使用方式：第一步先定义 Pydantic 模型，区分必填与选填字段，明确 enum、范围、正则等约束，并将错误信息设计为用户可修正的形式。第二步将 Agent 与 Tool 结合，工具输入输出也用 Pydantic 类型统一；针对字段缺失、类型不匹配分别设置重试规则；模型输出不符合模式时立即以修复提示重新提问。第三步建立验证与恢复循环，将 ValidationError 归类为缺失、格式、逻辑三类；同一错误反复出现时，应重新审视模式复杂度而非只改提示词；最终结果标记为 validated、repaired 或 failed。第四步落地运行：写库前再做服务端二次验证，用 v1、v2 等版本化模式管理兼容性，并观察首次通过率、重试率、字段错误率等指标。
适用场景：需要把自然语言需求先翻译成模式、并让研究摘要等结果始终以统一 JSON 格式进入流水线的场合。
限制与建议：资料未提供具体安装命令、代码示例、收费与平台信息，暂未提供。建议模式从小开始逐步扩展，优先改进错误分类质量而非单纯增加重试次数。参考项目地址：https://github.com/pydantic/pydantic-ai。