Object Aligner：為 LLM 提示優化設計的可配置 JSON 模式相似度評分工具

大型語言模型常被要求產生符合固定 Schema 的 JSON 輸出，以支援資訊提取、工具呼叫、代理規劃及知識圖譜建構。然而，衡量輸出與黃金參考資料的相似度極具挑戰：完全匹配過於脆弱，文本相似度忽略結構，而使用 LLM 進行判斷則昂貴、不透明且缺乏確定性。針對此問題，研究人員開發了 Object Aligner（OA），這是一個開源 Python 函式庫，能透過遞歸樹對齊演算法，以匈牙利演算法處理無序集合、以序列對齊處理有序集合，並根據 Schema 宣告的粒度給予部分分數，從而確定性地為兩個 JSON 物件評分。

Object Aligner 完全透過一組 JSON Schema 擴充功能進行配置，適應新任務只需註釋 Schema 而無需編寫程式碼。針對複雜結構資料常非平面樹狀結構、可能形成圖或超圖且由任意識別碼索引的問題，研究提出「參考對齊」（referential alignment）作為核心貢獻。該機制透過推斷黃金與候選識別碼之間的雙射關係，並利用 Weisfeiler-Leman 色彩細化演算法近似圖同構問題，確保評分不受重新標籤影響，同時針對排序與規劃任務採用對順序敏感的序列機制。

由於該對齊方式能定位每一個不匹配處，Object Aligner 能以零額外成本發出排名修復建議。在實際應用中，當 Object Aligner 作為 GEPA 提示優化器內部的獎勵機制時，它在所有資料集上均能協助提升效果或保持中立。