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/activate
python -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 json
import os
import sys
from pathlib import Path
from typing import Literal

from openai import OpenAI
from pydantic import BaseModel, ConfigDict


class 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。