模型给出引用后，Instructor 可以先查原文里有没有这句话

模型写了一个结论，还给出一段看似原文的引用。对摘要工具而言，先要核实的一件事很简单：这句话真的出现在提供的材料里吗？Instructor 的重试文档，给了一种把这项检查放进抽取流程的做法。

它以 Pydantic 定义输出结构，再运行开发者写的校验规则。返回格式、业务约束与失败重试可以接在一起，适合把模型输出交给后续程序的 Python 应用。

原文不只用于提示，也交给校验器

官方 Citation 示例定义 claim 和 quote 两个字段。quote 上的 field_validator 从运行时 context 取出 source_text，再检查返回引用是否是这份原文的子串。

若不存在，就抛出 ValueError，说明引用未在材料中找到。模型不能只靠给出一个 JSON 字符串就过关，还要通过这个具体判断。

开发时应同时把真实原文放进模型消息，并通过 context 交给校验器。后者是校验规则使用的运行数据，不等于模型自动读到了材料。文档里的短段落和字符串占位写法，需要按应用的消息模板实际填入，不能保留占位符就期待抽取成功。

Instructor 能把解析和校验失败送入 reask，让后续请求得到错误反馈。引用不在原文中，便有了一条可指向具体字段的修正理由，而不只是应用返回“结果不合格”。

文档还提供有限重试策略。当前整数 max_retries 表示首次抽取之后允许的校验重试次数；底层模型 SDK 的网络重试是另一个设置。一次抽取尝试可能涉及多个 HTTP 请求，因此不能直接把抽取次数写成真实请求数。

重试耗尽后会出现 InstructorRetryException，可以查看 n_attempts 与 failed_attempts。应用应把失败作为可处理结果，例如请用户补充来源或保留待确认记录，而不是假定库一定能修好每次错误。

子串校验能抓住一类具体问题：模型拼出了一句原文没有的引文。它不能证明引文支持 claim，也不能判断是否断章取义。原文中确实存在一句话，前后文却可能是否定、转述或例外条件。

教学情境中，一份报告同时有原话、论点与来源位置，可以先做字面存在检查，再安排上下文核对。每一层各自回答一个问题，别让“校验通过”成为内容可靠的笼统标签。

Instructor采用 MIT 许可，模型服务与调用成本另计。它在这里提供的实际成果，是一段可维护的引用规则：原文在哪，哪个字段不符，修正几次，最后怎样报告失败，都能在程序中明确表达。