在与大语言模型（LLM）交互时，若仅提供模糊任务描述，往往得到冗长、偏离主题或格式混乱的回答。要让 AI 生成符合业务需求的高质量输出，必须在提示词（Prompt）中明确设置约束条件与输出要求。这些约束不仅限于内容范围，还包括格式、长度、风格、禁止项等多个维度。掌握系统化的约束设计方法，是实现可靠 AI 集成的关键。
约束条件的核心类型
有效的约束可分为以下几类，每类解决不同维度的控制问题：
1. 内容范围约束
限定回答的主题边界，防止发散或无关信息。
- 示例：
“仅基于提供的产品说明书回答，不要引用外部知识。”
“讨论气候变化的影响，但不涉及政治政策。”
2. 格式与结构约束
指定输出的组织形式，便于程序解析或用户阅读。
- 示例：
“用 Markdown 表格列出前三名选手的姓名、国籍和得分。”
“输出必须是 JSON 格式，包含字段：id（整数）、title（字符串）、tags（字符串数组）。”
3. 长度与数量约束
控制输出规模，平衡信息量与简洁性。
- 示例：
“总结不超过 100 字。”
“列举恰好 5 个原因，每条不超过 20 字。”
4. 语言与风格约束
定义语气、专业度或受众适配。
- 示例：
“用面向 10 岁儿童的语言解释光合作用。”
“采用正式商务邮件的语气，避免口语化表达。”
5. 禁止性约束（Negative Constraints）
明确排除不希望出现的内容。
- 示例：
“不要使用专业术语如‘卷积神经网络’。”
“禁止提及竞争对手品牌。”
设置约束的有效策略
1. 使用清晰、肯定的指令句
避免模糊词汇（如“尽量”“可以”），改用强制性措辞：
- ❌ “最好简短一点。”
- ✅ “回答必须控制在 50 字以内。”
2. 将关键约束前置
模型对 Prompt 开头部分关注度更高，重要限制应放在前面：
“你是一名法律顾问。请用中文回答，仅基于《民法典》第 584 条，分析以下违约情形的赔偿范围。不要推测，不要扩展。”
3. 结合分隔符强化结构
用 “`、— 或自定义标记划分“指令区”与“数据区”，避免混淆：
请完成以下任务：
--- CONSTRAINTS ---
- 输出格式：JSON
- 字段：name (string), score (number)
- 仅包含分数 ≥ 80 的学生
- 不要任何额外文本
--- DATA ---
张三, 85
李四, 78
王五, 92
4. 提供正向示例（Few-shot）
展示符合约束的输入-输出对，是最高效的引导方式：
示例输入：“苹果、香蕉、橙子”
示例输出：[“apple”, “banana”, “orange”]
请将以下水果名称转为英文小写数组：葡萄、草莓
5. 显式声明“仅输出结果”
防止模型添加解释、道歉或总结：
“仅输出转换后的 JSON，不要任何其他文字、代码块标记或说明。”
高级约束技巧
使用 Schema 定义结构化输出
对于复杂 JSON，可内联 JSON Schema（尤其配合支持 response_format 的 API）：
“输出必须符合以下 JSON Schema：
{
‘type’: ‘object’,
‘properties’: {
‘valid’: {‘type’: ‘boolean’},
‘errors’: {‘type’: ‘array’, ‘items’: {‘type’: ‘string’}}
}
}”
动态长度控制
根据输入规模调整输出长度：
“若原文超过 500 字，摘要控制在 10% 长度；否则全文保留。”
多重约束组合
实际场景常需叠加多种限制：
“作为医疗健康顾问，请用通俗语言（避免医学术语）向老年人解释高血压用药注意事项。回答分三点，每点不超过 30 字，总字数 ≤ 100。”
常见错误与规避方法
| 错误做法 | 问题 | 正确做法 |
|---|---|---|
| “简单说一下” | 主观模糊，模型无法量化 | “用不超过 3 句话说明” |
| 在末尾附加约束 | 易被忽略 | 将核心约束放在开头或独立区块 |
| 混淆指令与数据 | 导致模型误读 | 用分隔符明确区分 |
| 未禁止默认行为 | 模型自动添加解释 | 明确要求“仅输出结果” |
实战示例：完整约束 Prompt
你是一名电商数据分析师。请处理以下销售记录：
--- REQUIREMENTS ---
1. 仅统计 2024 年 6 月的数据；
2. 按商品类别汇总总销售额；
3. 输出为 Markdown 表格，列：类别、销售额（元）；
4. 销售额保留整数，从高到低排序；
5. 不要标题、说明或额外文本。
--- DATA ---
[{"date":"2024-06-01","category":"电子产品","amount":1200},
{"date":"2024-05-30","category":"服装","amount":800}, // 排除
{"date":"2024-06-15","category":"电子产品","amount":950}]
此 Prompt 通过结构化分区、明确规则和数据隔离，极大提升输出可靠性。
总结
设置约束条件不是简单地“加限制”，而是通过精确、结构化、可执行的指令，为 AI 构建一个清晰的任务边界。优秀的约束应具备：具体性、可验证性、无歧义性。在实际开发中，建议将常用约束模板化，并结合后端校验（如 JSON 解析、正则匹配）形成双重保障，确保 AI 输出稳定服务于业务流程。
