在实际应用中，我们常常需要大语言模型（LLM）返回结构化的数据，如 JSON 对象、Markdown 表格或纯文本列表，以便程序解析、前端渲染或自动化处理。然而，AI 默认倾向于生成自然语言，若不加以明确引导，输出格式往往不可靠。掌握精准控制输出格式的技巧，是实现 AI 与系统集成的关键一步。
明确指令：在 Prompt 中强制指定格式
最基础且有效的方法是在提示词中清晰、重复地声明期望的输出格式。避免模糊表述，应使用具体、可执行的指令。
示例对比：
- ❌ 模糊：“把以下信息整理一下。”
- ✅ 明确：“请将以下用户反馈解析为 JSON 格式，包含字段：id（整数）、category（字符串）、summary（字符串）、urgency（’low’|’medium’|’high’）。仅输出 JSON，不要任何解释。”
关键要素：
- 指定格式类型（JSON/Markdown/CSV 等）；
- 定义字段名与数据类型；
- 要求“仅输出结果，无额外文本”（防止模型添加说明）；
- 提供示例（Few-shot）更佳。
使用分隔符与标记增强约束
在 Prompt 中加入格式标记或分隔符，可进一步强化模型对输出边界的认知。
例如：
“请以以下格式输出，不要包含其他内容：
{ "result": "..." } ```”
或：
“输出必须严格遵循以下模板：
姓名 年龄 城市 … … …
此类标记利用了模型在训练中学习到的代码块和表格模式，显著提升格式稳定性。
利用系统角色与输出规则
通过系统消息（System Message）设定角色和行为规范，从更高层面约束输出风格。
你是一个数据提取机器人，只输出符合指定 schema 的 JSON，不解释、不道歉、不添加任何额外字符。
在 API 调用中，可将此作为 system 角色消息传入，使模型在整个对话中保持格式一致性。
针对不同格式的优化策略
1. JSON 输出：确保可解析性
- 要求使用双引号（
"），禁止单引号； - 避免尾随逗号、注释等非法语法；
- 对于嵌套结构，明确层级关系；
- 可追加校验指令：“输出必须是有效的 JSON，能被 JavaScript 的 JSON.parse() 成功解析。”
进阶技巧：部分平台（如 OpenAI）支持 response_format={ "type": "json_object" } 参数（需配合 system 提示定义 schema），强制模型输出合法 JSON。
2. Markdown 表格：对齐与简洁
- 明确列名和行数；
- 提示“使用管道符
|分隔，首行为表头，第二行为分隔线”； - 避免在单元格内换行，防止表格错位。
示例指令：
“用 Markdown 表格列出前三名学生的姓名和分数，格式如下：
姓名 分数 张三 95
3. 纯文本结构（列表、键值对）
- 指定编号方式（如“1. 2. 3.” 或 “- – -”）；
- 要求每项独占一行；
- 禁止段落混合。
处理失败：后处理与重试机制
即使精心设计 Prompt，模型仍可能偶尔输出格式错误的内容。生产环境中应建立容错机制：
- 正则或解析器校验：尝试用
JSON.parse()解析，失败则捕获异常； - 自动修复或重试：将错误输出连同错误信息重新送入模型，要求修正；
“上一次输出不是合法 JSON，请修正并仅返回正确 JSON。”
- 设置最大重试次数，避免无限循环。
避免常见陷阱
- 不要依赖模型“理解”隐含格式：即使人类能推断，AI 也可能忽略；
- 中文标点问题：模型可能输出中文引号“”或顿号、，需明确要求英文符号；
- 多轮对话中的格式漂移：后续回复可能偏离初始格式，需在每轮中重复格式要求。
实战示例：可靠 JSON 输出 Prompt
你是一个 API 响应生成器。请根据以下自然语言描述，输出一个严格符合 JSON Schema 的对象。
Schema:
{
"type": "object",
"properties": {
"name": {"type": "string"},
"age": {"type": "integer", "minimum": 0},
"tags": {"type": "array", "items": {"type": "string"}}
},
"required": ["name", "age"]
}
规则：
1. 仅输出 JSON，不要任何其他文字、解释或 markdown 代码块；
2. 使用双引号；
3. 确保 JSON 有效。
输入：李明，28岁，标签包括“前端”和“React”。
输出：
{"name":"李明","age":28,"tags":["前端","React"]}
通过结构化指令 + Schema + 规则 + 示例，可极大提升输出可靠性。
总结
让 AI 输出指定格式内容，核心在于消除歧义、强化约束、提供范例。结合清晰的 Prompt 设计、格式标记、系统角色设定以及后处理机制，可在绝大多数场景下获得稳定、可解析的结构化输出。随着模型能力演进（如原生 JSON 模式），这一过程将更加可靠，但明确的指令始终是基石。
