從昨天的結果可以看出 LLM 的回答格式並不固定。有時候它會給你一大段純文字，有時候它會自己加上條列式，甚至會擅自加上「好的，以下是為您整理的摘要：」這類不需要的開場白。如果把這種充滿隨機性、缺乏結構的一大坨文字直接往後丟給自動化流程，我們根本無法精準提取需要的資訊。所以我們需要限制 AI 回答的結構，方便我們獲得資訊。我們要利用 Python 的 Pydantic 來定義 JSON Schema，強制 Gemini 吐出我們規定好的資料格式

在main.py的程式碼裡，確保最上方有import json並新增以下 Class，明確定義出我們期望 AI 回傳的欄位有包含摘要（tldr）、重點（key_points）、專有名詞（terms）、標籤（tags）與分類（category）:

class ArticleSummary(BaseModel):
    tldr: str
    key_points: list[str]
    terms: list[str]
    tags: list[str]
    category: str

接著，我們要修改 summarize 函式中處理 response 的部分。透過 generation_config 參數，我們可以直接告訴 Gemini：「請用 JSON 格式回答，並且必須符合 ArticleSummary 這個結構！」:

response = model.generate_content(
            prompt,
            generation_config=genai.GenerationConfig(
                response_mime_type="application/json",
                response_schema=ArticleSummary,
            )
        )
        
        ai_result = json.loads(response.text)
        
        return {
            "status": "success",
            "data": ai_result
        }

重新將 FastAPI 跑起來之後可以先使用 Swagger UI 測試，檢查輸出有沒有變成我們要的格式，成功的話就可以回到 n8n workflow 測試。這裡的 n8n workflow 還不用做調整，因為只有 FastAPI 自己把格式調整而已，整體架構還是一樣的。執行成功的話，會看到 HTTP Request 節點的 Output 已經不再是一長串難以解析的文字，而是結構分明、隨時可以被後續流程提取的標準 JSON 格式了: