Как отклонить NaN и Infinity в JSON-ответе AI

Перед запуском запишите, какие данные считаются входом, что является ожидаемым результатом, что именно означает отказ и кому предстоит разбирать расхождение. Для такой проверки храните тестовый вход, ожидаемый результат и фактический исход раздельно: если они смешаны, тест может подтверждать сам себя. Используйте стабильные синтетические ID, чтобы видеть ошибку в журнале, не раскрывая содержимое клиентских обращений.

Сначала прогоните тест на маленьком входе, где правильное поведение известно вручную. Затем внесите одну контролируемую ошибку и убедитесь, что код её замечает. После этого верните корректный набор и только тогда расширяйте проверку до реальных данных. Не переносите демонстрационные численные значения или пороги в производство без отдельного обоснования: они выбраны для наглядности, а не рассчитаны по вашей аудитории.

Вход и ожидаемый результат

Строка {"score":NaN} отклоняется, {"score":0.75} принимается; запись float("inf") тоже отклоняется. Ожидаются строки NaN rejected и Infinity rejected; обычный JSON проходит assert. Это техническая проверка формата, а не оценка точности модели. Перед тем как применять правило к закрытым данным, обсудите пограничные случаи, которые могут поменять интерпретацию входа. Запись в документации о границах теста не менее важна, чем зелёный check.

Пошаговые действия

1. Создайте scripts/check.py в корне репозитория и вставьте код из блока ниже. Он использует названия функций стандартной библиотеки, указанные в официальных ссылках в конце статьи.
2. Выполните python scripts/check.py локально. Не продолжайте, если уже демонстрационная фикстура даёт иной результат: сначала проверьте копирование кода и кодировку файла.
3. Скопируйте функцию и сначала запустите оба негативных случая. Затем подключите её к приёму ответа до валидации диапазона score. Установите allow_nan=False также в резервном сериализаторе ошибок: иначе невалидная величина может пройти по другому маршруту. Добавьте пример -Infinity и проверьте, что сообщение об ошибке хранит только ID запроса. Не заменяйте NaN на ноль автоматически: это скрывает сбой модели или вычислений.
4. Создайте .github/workflows/ai-corpus-check.yml из YAML-шаблона. Событие pull_request полезно для проверки данных до слияния; чтение репозитория ограничено permissions: contents: read. Скрипт не должен получать ключ внешней модели или реальные секреты.
5. В разделе Actions откройте job check, сопоставьте его код завершения с локальным прогоном и зафиксируйте ссылку на проверенный коммит в PR. Не принимайте зелёный результат на старой ревизии за проверку последнего изменения.

# scripts/check.py
import json
def reject(value): raise ValueError("nonfinite: " + value)
def load(text): return json.loads(text,parse_constant=reject)
assert load('{"score":0.75}')=={"score":0.75}
try: load('{"score":NaN}')
except ValueError: print("NaN rejected")
else: raise AssertionError("NaN accepted")
try: json.dumps({"score":float("inf")},allow_nan=False)
except ValueError: print("Infinity rejected")
else: raise AssertionError("Infinity accepted")

name: AI corpus checks
on:
  pull_request:
permissions:
  contents: read
jobs:
  check:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v7
      - uses: actions/setup-python@v7
        with:
          python-version: '3.13'
      - run: python scripts/check.py

Ошибки интерпретации и границы

parse_constant не валидирует допустимый интервал score; отрицательные и слишком большие конечные числа требуют отдельного правила. Ограничение размера JSON до парсинга тоже остаётся отдельной задачей. Если вы расширяете набор случаев, добавляйте не только новые примеры, но и отрицательные случаи, на которых тест обязан упасть. Проверяйте, что изменение expected прошло ревью отдельно от изменения кода: иначе можно незаметно изменить правило под текущий ответ системы. Избегайте вывода полного приватного набора в CI и не сохраняйте в артефактах ответ закрытой модели без решения о доступе и хранении.

Ошибка выполнения самого Python, нераспознанный формат входа и обнаруженный бизнес-дефект — разные ситуации. В сообщении теста указывайте тип проблемы и безопасный ID. Если тест требует внешний сервис, вынесите его из PR с недоверенным кодом и явно ограничьте доступ к токенам; этот пример намеренно работает локально. Перед публикацией каких-либо результатов опишите методику, область применения и происхождение примеров, иначе читатель воспримет демонстрационную арифметику как характеристику продукта.

Практический разбор именно этого контроля

Не сохранять нестандартное числовое значение в ответе AI-классификатора. Для самостоятельной проверки сначала выпишите три наблюдаемых состояния: допустимый вход, намеренно недопустимый вход и видимый сигнал отказа. В данной фикстуре это выглядит так: Строка {"score":NaN} отклоняется, {"score":0.75} принимается; запись float("inf") тоже отклоняется. При успешном тесте ожидается: Ожидаются строки NaN rejected и Infinity rejected; обычный JSON проходит assert. Это техническая проверка формата, а не оценка точности модели. Не превращайте это в числовой KPI: здесь проверяется контракт на конкретных примерах, а не поведение модели на пользовательском трафике.

parse_constant не валидирует допустимый интервал score; отрицательные и слишком большие конечные числа требуют отдельного правила. Ограничение размера JSON до парсинга тоже остаётся отдельной задачей. Подключая проверку к продукту, расположите её до той операции, ради которой она написана: парсинга, сохранения, отображения или экспорта. Для каждого нового формата добавляйте отдельный негативный пример и письменное решение, почему он отклоняется. Отдельно просмотрите обработку ошибок: система должна отличать невалидный ответ AI от сбоя тестовой инфраструктуры, а пользователь не должен видеть сырой стек или приватное содержимое.