一个凌晨3点的报警

凌晨3点，你被PagerDuty叫醒。数据处理管道崩溃了。日志显示：“JSONDecodeError: Expecting value: line 1 column 1 (char 0)"。AI生成的JSON格式不对——它在外层包裹了一个Markdown代码块。

你揉着眼睛修改Prompt，加了更强硬的措辞：“严格输出纯JSON，不要加任何其他内容！！！！“然后重新部署。第二天凌晨3点，同样的报警再次响起。

格式问题不是靠"更强烈的语气"能解决的。 你需要理解结构化输出的底层机制。

技巧一：用JSON Schema定义输出格式

不要只是说"输出JSON格式”，而是提供完整的JSON Schema：

请严格按以下JSON Schema输出：
{
  "type": "object",
  "properties": {
    "name": {"type": "string", "description": "用户姓名"},
    "age": {"type": "integer", "minimum": 0, "maximum": 150}
  },
  "required": ["name", "age"]
}

JSON Schema不仅定义了结构，还定义了每个字段的类型、约束和含义。这是最精确的格式指定方式。

技巧二：在System Prompt和User Prompt中双重强调

在System Prompt中定义一次格式，在User Prompt中再简要重申一次。双重强调能将格式遵循率从85%提升到95%以上。 原因：模型在长对话中可能"遗忘"早期的System Prompt指令，在User Prompt中重申相当于"刷新"了模型的"记忆”。

技巧三：使用"输出示例"而非"格式描述”

与其说"输出一个包含name和age的JSON对象"，不如直接给一个完整的输出示例：

期望输出格式（请严格遵循）：
{"name": "张三", "age": 28}

示例比描述更有效。 模型在模仿示例时，出错概率远低于按照描述生成格式。

技巧四：在末尾加上"格式检查"指令

在Prompt末尾加上：“在输出前，请确认你的输出：1）是纯JSON，没有Markdown包裹；2）所有必填字段都存在；3）字段类型正确。如果不符合，请修正后再输出。”

这个简单的技巧能减少约60%的格式错误。

技巧五：使用API的JSON Mode

GPT-5和Claude 4 Opus都提供了原生JSON Mode。在API调用中设置response_format={"type": "json_object"}，模型会强制输出合法JSON。这比Prompt中的格式约束更可靠，但需要注意：JSON Mode可能影响回答质量，因为模型被约束在"JSON思维"中。

技巧六：处理嵌套结构

对于嵌套JSON，使用"分层定义"策略：先定义外层结构，再定义内层结构。不要在Prompt中一上来就展示完整的嵌套JSON——那会让模型"迷失"在复杂的结构中。

技巧七：处理数组输出

对于数组输出，始终指定"最少元素数量"和"最多元素数量"。否则模型可能输出0个元素或100个元素，导致下游处理出错。

技巧八：用CoT生成内容，再格式化为JSON

将任务分为两步：第一步让模型用自然语言生成内容（可以自由思考），第二步将内容格式化为JSON。两步法比一步法效果好得多，因为模型在第一步可以自由推理，在第二步只需专注格式化。

技巧九：增加输出验证层

不要完全信任模型的输出。在代码中增加一层验证：检查JSON是否合法、必填字段是否存在、字段类型是否正确。如果验证失败，自动重试（带上错误信息）。

技巧十：使用不同的模型做"格式检查"

用一个便宜的模型（如DeepSeek V3）来检查另一个模型输出的格式是否正确。DeepSeek V3做格式检查的能力很强，但成本只有GPT-5的七分之一。

结构化输出的核心原则：不要期望模型"完美遵守"你的格式要求——而是设计一个"容错系统"，让格式错误在造成破坏之前被捕获和修复。