企业官网建设流程全解析

LLM输出不稳定怎么办？liars-bar-llm的JSON解析+5次重试容错机制实战教程

【免费下载链接】liars-bar-llm一个由大语言模型驱动的AI版骗子酒馆对战框架项目地址: https://gitcode.com/gh_mirrors/li/liars-bar-llm

LLM输出不稳定怎么办？如果你正在用大语言模型驱动 Agent，一定会遇到这个问题：模型有时返回一段带闲聊的 JSON，有时干脆格式全错。开源项目liars-bar-llm是一个由 LLM 驱动的「AI版骗子酒馆」对战框架，让 DeepSeek、ChatGPT、Claude、Gemini 等大模型同桌博弈。它的核心难点之一，就是如何让模型稳定输出符合游戏规则的 JSON 决策——项目用「提示词强约束 + 正则提取 + 5次重试容错」三层组合拳解决了这个问题，本教程带你完整拆解这套可直接复用的容错方案。

一、为什么 LLM 输出不稳定？骗子酒馆放大了这个问题 🎲

在 liars-bar-llm 的对抗场景中，每个 AI 玩家在「出牌」和「质疑」两个阶段都必须输出严格格式的 JSON：

• 出牌阶段：必须返回played_cards（1~3 张手牌）、behavior（表演描述）、play_reason（理由）三个键；
• 质疑阶段：必须返回was_challenged（布尔值）和challenge_reason（理由）。

问题在于，LLM 是概率模型：同样的提示词，它可能输出带 markdown 代码块包裹的 JSON，可能在 JSON 前后夹杂解释文字，甚至给出不在手牌里的牌。游戏流程一旦卡在这里，整局对战就会崩溃。

项目的 README.md 在「已知问题」中也明确写道：

模型在出牌和质疑阶段的输出可能不稳定，当输出无法满足游戏规定时，会自动重试。

下面逐层拆解 liars-bar-llm 的容错设计。

二、容错机制拆解：JSON 解析 + 5 次重试是怎么做的 🔍

整套机制的入口在 player.py 的Player类中，共四道防线。

防线 1：提示词从源头约定 JSON 输出格式

项目在 prompt/ 目录下用模板文件约束输出格式，例如出牌提示词 play_card_prompt_template.txt 明确要求：

你需要输出一个完整的json结构，包含三个键值对：played_cards、behavior、play_reason…

质疑提示词 challenge_prompt_template.txt 同理。模板中同时注入了 rule_base.txt 游戏规则和实时对局状态，让模型「知道该输出什么」。

防线 2：正则提取，容忍"不纯粹的 JSON"

模型输出经常是「前言 + JSON + 后记」的混合体。player.py 没有直接json.loads整段文本，而是先用正则从任意位置抠出 JSON 部分：

json_match = re.search(r'({[\s\S]*})', content) json_str = json_match.group(1) result = json.loads(json_str)

这一步能兼容模型加解释、加代码块前后缀等常见"污染"。

防线 3：5 次自动重试 + 业务规则校验 🛡️

抠出 JSON 还不够，还要验证业务规则。以出牌为例，choose_cards_to_play 中有一个for attempt in range(5)循环：

1. 校验三个键是否齐全（played_cards/behavior/play_reason）；
2. 容错处理：若played_cards被模型输出成字符串，自动包成列表；
3. 验证每张牌必须在当前手牌中、张数在 1~3 之间——防止模型"幻觉"出不存在的牌；
4. 任何一步失败（包括 API 请求异常，因为 llm_client.py 的chat方法出错时会返回空字符串兜底），只打印日志、不修改原始提示词，用同一条 prompt 再请求一次；
5. 最多 5 次。

质疑决策 decide_challenge 采用完全相同的模式，额外校验was_challenged必须是布尔值。

防线 4：重试耗尽后快速失败，而不是静默出错

如果 5 次都失败，两处方法都会抛出RuntimeError（见 player.py 与 player.py），让进程明确中断，避免"错误决策悄悄混入对局"。这种宁可失败也不降级的策略，对需要可信数据的对战记录（保存在 game_record.py 定义的game_recordsJSON 文件中）尤为重要。

三、实战上手：三步跑起带容错机制的 AI 对战 🚀

第 1 步：克隆项目

git clone https://link.gitcode.com/i/9939233720d6c59cf7f010628defe0b9 cd liars-bar-llm

第 2 步：安装依赖并配置模型接口

pip install openai

在 llm_client.py 中填入API_BASE_URL和API_KEY（项目建议通过 New API 等统一网关管理多模型接口）。

第 3 步：配置玩家并运行

在 game.py 或 multi_game_runner.py 入口处的player_configs中设置模型名称，然后：

python game.py # 单局对战 python multi_game_runner.py -n 10 # 批量跑 10 局

运行过程中若模型输出不合规则，你会在控制台看到尝试 1 解析失败: ...这类日志——这正是 5 次重试机制在工作。对局数据会自动保存为 JSON，可用 json_convert.py 转成可读文本、game_analyze.py 统计胜率。项目已附带四个模型 50 局的演示数据，见 demo_records/。

四、输出仍然不稳定？两个进阶调节旋钮 🎛️

当某个模型频繁触发重试上限时，README 给出了官方建议，两个方向都改起来很快：

1. 增加重试次数：修改 player.py 中choose_cards_to_play与 player.py 中decide_challenge的range(5)，把上限从 5 调大；
2. 强化提示词限制：在 play_card_prompt_template.txt 和 challenge_prompt_template.txt 中补充"只输出 JSON、禁止任何解释文字"等硬性措辞（注意：过强的格式限制可能对模型推理能力有一定影响，需权衡）。

五、关键文件速查表 📂

总结

面对LLM输出不稳定，liars-bar-llm 的实战答案可以浓缩为一句话：提示词约定格式、正则宽容提取、业务规则校验、有限次重试兜底。这套「JSON解析 + 5次重试」的容错机制不依赖特定模型，任何需要 LLM 结构化输出的 Agent 项目（决策系统、工具调用、数据提取）都能直接借鉴。动手跑一局 AI 骗子酒馆对战，是理解这套机制最快的方式 🃏。

【免费下载链接】liars-bar-llm一个由大语言模型驱动的AI版骗子酒馆对战框架项目地址: https://gitcode.com/gh_mirrors/li/liars-bar-llm