获得一致且格式良好的输出对于生产应用和高效工作流程至关重要。本章介绍如何精确控制 AI 模型格式化响应的技术。
结构化输出将 AI 响应从自由格式文本转换为可操作、可解析的数据。
结构为何重要
这里有几个编程语言：Python适合数据科学与AI开发，难度是简单；JavaScript用于网页与前端开发，难度是中等；Rust追求高性能与安全性，难度是困难。
❌ 文本输出：机器难以解析，格式不确定，程序集成难。
基础格式化技术
列表
列表非常适合分步指令、排名项目或相关要点的集合。它们易于浏览和解析。当顺序重要时使用编号列表（步骤、排名），对于无序集合使用项目符号。
提供5个改善睡眠的建议。 格式：编号列表，每条带简短说明。 每个建议应加粗，后跟破折号和说明。
明确指定你想要的项目数量、是否包含说明，以及项目是否应该加粗或具有特定结构。
表格
表格擅长在相同维度上比较多个项目。它们非常适合功能比较、数据摘要以及任何具有一致属性的信息。始终明确定义列标题。
比较排名前4的 Python Web 框架。 格式化为 markdown 表格，包含以下列： | 框架 | 最适合 | 学习曲线 | 性能 |
指定列名、预期数据类型（文本、数字、评级）以及需要多少行。对于复杂比较，为了可读性限制在4-6列。
标题和章节
标题创建清晰的文档结构，使长响应易于浏览和组织。用于报告、分析或任何多部分响应。层级标题（##、###）展示章节之间的关系。
分析这份商业提案。
用以下章节结构化你的回复：
## 执行摘要
## 优势
## 劣势
## 建议
## 风险评估
按你期望的顺序列出章节。为保持一致性，指定每个章节应包含的内容（例如，"执行摘要：仅2-3句话"）。
大写指令强调
大写单词作为对模型的强信号，强调关键约束或要求。谨慎使用以获得最大效果——过度使用会削弱其效力。
常见大写指令：
总结这篇文章。
IMPORTANT: 摘要保持在100字以内。
NEVER 添加原文中没有的信息。
ALWAYS 保持原文的语气和视角。
DO NOT 包含你自己的观点或分析。
如果所有内容都大写或标记为关键，那什么都不突出了。将这些指令保留给真正重要的约束。
JSON 输出
JSON（JavaScript 对象表示法）是结构化 AI 输出最流行的格式。它是机器可读的，被各种编程语言广泛支持，非常适合 API、数据库和自动化工作流程。可靠 JSON 的关键是提供清晰的模式。
基础 JSON 请求
从展示你想要的确切结构的模板开始。包含字段名、数据类型和示例值。这充当模型将遵循的契约。
从非结构化文本中提取结构化数据。
从这段文本中提取信息并以 JSON 格式返回：
{
"company_name": "string",
"founding_year": number,
"headquarters": "string",
"employees": number,
"industry": "string"
}
文本："Apple Inc.，成立于1976年，总部位于加利福尼亚州库比蒂诺。这家科技巨头在全球雇用约164,000名员工。"复杂 JSON 结构
对于嵌套数据，使用层级 JSON，包含对象中的对象、对象数组和混合类型。清晰定义每个层级，并使用 TypeScript 风格的注解（"positive" | "negative"）来约束值。
分析这条产品评论并返回 JSON：
{
"review_id": "string (generate unique)",
"sentiment": {
"overall": "positive" | "negative" | "mixed" | "neutral",
"score": 0.0-1.0
},
"aspects": [
{
"aspect": "string (e.g., 'price', 'quality')",
"sentiment": "positive" | "negative" | "neutral",
"mentions": ["exact quotes from review"]
}
],
"purchase_intent": {
"would_recommend": boolean,
"confidence": 0.0-1.0
},
"key_phrases": ["string array of notable phrases"]
}
Return ONLY valid JSON, no additional text.
Review: "[review text]"
确保有效 JSON
模型有时会在 JSON 周围添加解释性文本或 markdown 格式。通过关于输出格式的明确指令来防止这种情况。你可以请求原始 JSON 或代码块中的 JSON——根据你的解析需求选择。
添加明确指令：
IMPORTANT:
- Return ONLY the JSON object, no markdown code blocks
- Ensure all strings are properly escaped
- Use null for missing values, not undefined
- Validate that the output is parseable JSON
或通过要求模型包装其输出来请求代码块：
以 JSON 代码块返回结果：
```json
{ ... }
```
YAML 输出
YAML 比 JSON 更易于人类阅读，使用缩进而非括号。它是配置文件（Docker、Kubernetes、GitHub Actions）的标准，在输出将由人类阅读或用于 DevOps 场景时效果很好。YAML 对缩进敏感，因此要具体说明格式要求。
为 Node.js 项目生成 GitHub Actions 工作流。 以有效 YAML 返回： - 包含：install、lint、test、build 阶段 - 使用 Node.js 18 - 缓存 npm 依赖 - 在推送到 main 和拉取请求时运行
XML 输出
XML 仍然是许多企业系统、SOAP API 和遗留集成所必需的。它比 JSON 更冗长，但提供属性、命名空间和用于复杂数据的 CDATA 部分等功能。指定元素名称、嵌套结构，以及何时使用属性与子元素。
将此数据转换为 XML 格式：
要求：
- 根元素：<catalog>
- 每个项目在 <book> 元素中
- 在适当的地方包含属性
- 对描述文本使用 CDATA
数据：[book data]
自定义格式
有时标准格式不能满足你的需求。你可以通过提供清晰的模板来定义任何自定义格式。自定义格式非常适合报告、日志或将由人类阅读的特定领域输出。
结构化分析格式
使用分隔符（===、---、[SECTION]）创建章节之间有清晰边界的可浏览文档。这种格式非常适合代码审查、审计和分析。
使用这种精确格式分析这段代码：
=== CODE ANALYSIS ===
[SUMMARY]
One paragraph overview
[ISSUES]
• CRITICAL: [issue] — [file:line]
• WARNING: [issue] — [file:line]
• INFO: [issue] — [file:line]
[METRICS]
Complexity: [Low/Medium/High]
Maintainability: [score]/10
Test Coverage: [estimated %]
[RECOMMENDATIONS]
1. [Priority 1 recommendation]
2. [Priority 2 recommendation]
=== END ANALYSIS ===
填空格式
带空白（___）的模板引导模型填写特定字段，同时保持精确格式。这种方法非常适合表单、简报和需要一致性的标准化文档。
为给定产品完成此模板：
PRODUCT BRIEF
─────────────
Name: _______________
Tagline: _______________
Target User: _______________
Problem Solved: _______________
Key Features:
1. _______________
2. _______________
3. _______________
Differentiator: _______________
Product: [product description]
类型化响应
类型化响应定义模型应识别和标记的类别或实体类型。这种技术对于命名实体识别（NER）、分类任务以及任何需要一致分类信息的提取都至关重要。用示例清晰定义你的类型。
从这段文本中提取实体。 实体类型： - PERSON：人物全名 - ORG：组织/公司名称 - LOCATION：城市、国家、地址 - DATE：ISO 格式的日期（YYYY-MM-DD） - MONEY：带货币的金额 将每个格式化为：[TYPE]: [value] 文本："Tim Cook 宣布 Apple 将在2024年12月前向奥斯汀新设施投资10亿美元。"
多部分结构化响应
当你需要涵盖多个方面的综合输出时，定义具有清晰边界的不同部分。精确指定每个部分的内容——格式、长度和内容类型。这可以防止模型混合章节或遗漏部分。
研究这个主题并提供：
### PART 1: EXECUTIVE SUMMARY
[2-3 sentence overview]
### PART 2: KEY FINDINGS
[Exactly 5 bullet points]
### PART 3: DATA TABLE
| Metric | Value | Source |
|--------|-------|--------|
[Include 5 rows minimum]
### PART 4: RECOMMENDATIONS
[Numbered list of 3 actionable recommendations]
### PART 5: FURTHER READING
[3 suggested resources with brief descriptions]
条件格式化
条件格式化让你可以根据输入的特征定义不同的输出格式。这对于分类、分诊和路由系统非常强大，在这些系统中响应格式应根据模型检测到的内容而变化。使用清晰的 if/then 逻辑，并为每种情况提供明确的输出模板。
对这个支持工单进行分类。 如果 URGENT（系统宕机、安全问题、数据丢失）： 返回：🔴 URGENT | [Category] | [Suggested Action] 如果 HIGH（影响多个用户、收入影响）： 返回：🟠 HIGH | [Category] | [Suggested Action] 如果 MEDIUM（影响单个用户、存在变通方法）： 返回：🟡 MEDIUM | [Category] | [Suggested Action] 如果 LOW（问题、功能请求）： 返回：🟢 LOW | [Category] | [Suggested Action] 工单："我无法登录我的账户。我已经尝试重置密码两次但仍然收到错误。这阻止了我的整个团队访问仪表板。"
JSON 中的数组和列表
将多个项目提取到数组中需要仔细的模式定义。指定数组结构、每个项目应包含的内容，以及如何处理边缘情况（空数组、单个项目）。包含计数字段有助于验证完整性。
从这份会议记录中提取所有行动项目。
以 JSON 数组返回：
{
"action_items": [
{
"task": "string describing the task",
"assignee": "person name or 'Unassigned'",
"deadline": "date if mentioned, else null",
"priority": "high" | "medium" | "low",
"context": "relevant quote from transcript"
}
],
"total_count": number
}
Transcript: "[meeting transcript]"
验证指令
自我验证提示模型在响应之前检查自己的输出。这可以捕获常见问题，如缺少章节、占位符文本或违反约束。模型将在内部迭代以修复问题，无需额外的 API 调用即可提高输出质量。
生成报告，然后：
VALIDATION CHECKLIST:
□ All required sections present
□ No placeholder text remaining
□ All statistics include sources
□ Word count within 500-700 words
□ Conclusion ties back to introduction
If any check fails, fix before responding.
处理可选字段
现实世界的数据经常有缺失值。明确指示模型如何处理可选字段——使用 null 比空字符串更简洁，更易于程序化处理。同时通过强调模型永远不应编造信息来防止"幻觉"缺失数据。
提取联系信息。对缺失字段使用 null。
{
"name": "string (required)",
"email": "string or null",
"phone": "string or null",
"company": "string or null",
"role": "string or null",
"linkedin": "URL string or null"
}
IMPORTANT:
- Never invent information not in the source
- Use null, not empty strings, for missing data
- Phone numbers in E.164 format if possible
总结
明确格式、使用示例、指定类型、用 null 值处理边缘情况，并要求模型验证自己的输出。
结构化输出相对于非结构化文本的主要优势是什么？
结构化输出对于构建可靠的 AI 驱动应用程序至关重要。在下一章中，我们将探索用于复杂推理任务的思维链提示。