阅读指南
上一节学习了Prompt五要素。现在进一步——如何让AI输出精确的JSON格式以便程序处理？有哪些现成的Prompt模板可以直接参考？本节给出答案。
强制AI按照特定的数据结构输出，便于程序处理。
方法1 只在Prompt中要求AI返回JSON
# 仅通过Prompt要求，AI输出JSON格式的回答
response = client.chat.completions.create(
model="qwen3.6-plus"
messages=[
{
"role": "system",
"content": """请分析代码并返回JSON格式的结果。
输出格式示例：
{
"complexity": "高/中/低",
"issues": [...],
"suggestions": [...]
}
"""
},
{"role": "user", "content": "分析这段代码：[your code]"}
]
)
AI实际可能输出：
"好的，我来分析一下这段代码：
```json
{"complexity": "中", ...}
从分析结果看，代码质量还不错。.."
这里的问题是什么？
问题在于，其实只需要那段JSON数据（{ }内的内容），而不需要AI的那些"自言自语"。但AI很难精确控制。这个时候，需要手动清洗，提取出JSON数据：
```python
import json
content = response.choices[0].message.content
if "```json" in content:
content = content.split("```json")[1].split("```")[0]
result = json.loads(content.strip()) # 可能报错！
方法2 使用API强制JSON模式
用API参数强制约束，AI无法"自由发挥"
response = client.chat.completions.create(
model="qwen3.6-plus"
messages=[
{
"role": "system",
"content": """请分析以下代码，以JSON格式返回结果：
{
"complexity": "复杂度等级（高/中/低）",
"issues": [...],
"suggestions": [...]
}
"""
},
{"role": "user", "content": "分析这段代码：[your code]"}
],
response_format={"type": "json_object"} # 关键区别在这里！
)
# AI实际输出：
# {"complexity": "中", "issues": [...], "suggestions": [...]}
# 纯JSON，没有任何额外文字！
# 直接解析，不需要任何清洗
import json
result = json.loads(response.choices[0].message.content) # 100%成功！
print(result["complexity"])
print(result["issues"])
这两种方法看起来差不多——都是让AI输出JSON，到底有什么不同？
关键在于约束力度。
方法1就像口头跟AI说"请给我JSON格式"。
AI大部分时候会照做，但它可能会"热心"地额外多给一些东西——比如在JSON前面加一句"好的，分析结果如下："，或者用json代码块把JSON包起来，甚至在后面再解释一遍。这些"好心"在人看来挺友好，但对程序来说就是灾难：json.loads()一遇到这些额外的文字就报错。
需要手动写代码去"清洗"这些输出：去掉前面的说明文字、去掉代码块标记、去掉后面的解释……这在批量处理时特别麻烦，因为AI每次"热心"的方式还不太一样，清洗逻辑很难覆盖所有情况。
方法2就不一样了。
它通过API的response_format={"type": "json_object"}参数，在底层直接锁死了输出格式——AI想"热心"都不行，它只能输出纯粹的JSON字符串，一个多余的字都不会有。这就像给AI套上了一个严格的模板，保证输出的东西可以直接喂给json.loads()，不需要任何预处理。
使用场景选择
如果是在写一个工具、做批量处理、或者构建生产系统，那必须用方法2。稳定性是第一位的，不能让程序因为解析失败就崩掉。
但如果只是临时用一下，或者希望AI在给出JSON的同时还能解释一下结果（比如给人看的报告），那方法1反而更合适——它允许AI"说人话"。
简单说：机器读的用方法2，人读的用方法1。
学完了Prompt设计的五要素，自然会想到一个问题：有没有现成的模板可以直接拿来用？
确实有现成的模板，但别照搬。
下面这些模板是我在实际项目中总结出来的，覆盖了大部分常见场景。但记住，它们只是启发性的参考——你的业务场景、数据特点、输出要求都不一样，照抄模板往往效果不佳。真正好用的Prompt，都是在这些模板基础上，根据具体情况调整出来的。
通用五要素模板
这是最基础的结构，适合任何场景：
使用示例
BASE_PROMPT = """你是{role}。
任务：{task}
背景信息：
{context}
输出要求：
{format}
约束条件：
{constraints}
"""
代码生成模板
适合让AI写代码的场景：
CODE_GEN_PROMPT = """你是{language}开发专家。
需求：{requirement}
技术约束：
- 语言/框架：{tech_stack}
- 代码风格：{style}
输出格式：
1. 完整可运行的代码
2. 关键部分的注释
3. 简单的使用示例
注意事项：
- 包含异常处理
- 遵循最佳实践
- 不使用废弃API
"""
使用示例
prompt = CODE_GEN_PROMPT.format(
language="Python",
requirement="实现一个异步的Redis缓存装饰器",
tech_stack="aioredis 2.0",
style="符合PEP 8规范"
)
实际调整示例 如果你的项目有特殊要求，可以这样调整：
prompt = """你是Python开发专家，熟悉异步编程。
需求：实现一个异步的Redis缓存装饰器
技术约束：
- 使用aioredis 2.0
- 支持设置过期时间
- 缓存key自动生成（函数名+参数hash）
输出格式：
1. 装饰器完整代码
2. 使用示例（包含FastAPI路由）
注意事项：
- 必须处理Redis连接失败的情况
- 参数序列化要支持复杂对象
- 添加日志记录缓存命中率
"""
# 根据实际需求加了很多细节
文本处理模板
摘要、改写、提取等场景：
TEXT_PROCESS_PROMPT = """你是{role}。
任务：{task}
输入文本的特点：
{text_info}
输出要求：
- 长度：{length}
- 风格：{style}
- 受众：{audience}
约束：
- 不添加原文没有的信息
- 保持客观中立
- {specific_constraint}
文本：
{text}
"""
使用示例
# 场景1：技术文档摘要
prompt1 = TEXT_PROCESS_PROMPT.format(
role="技术文档编辑",
task="将这篇API文档总结为200字的开发者指南",
text_info="官方API文档，包含大量技术细节",
length="200字左右",
style="简洁、技术化",
audience="有经验的开发者",
specific_constraint="保留所有代码示例的关键部分",
text="[文档内容]"
)
细心的读者可能已经注意到了：当 Prompt 比较复杂时，大多数情况下我们都会用"Markdown"的语法来组织它——用标题分区、用有序或无序列表列要求、用代码块包示例。
这样组织有三个好处：
现在已经掌握了大模型应用开发的基础：API调用、参数控制、Prompt设计。但在实际应用中，可能会遇到这样的问题：AI的回答总是基于训练数据，如何让它回答我们自己的私有知识？比如公司内部文档、项目代码库、业务规则？
下一章将学习 RAG（检索增强生成），让AI能够访问专属知识库，回答它原本"不知道"的问题。
| 中文 | English | 音标 | 说明 |
|---|---|---|---|
| 结构化输出 | Structured Output | /ˈstrʌktʃərd ˈaʊtpʊt/ | 让AI按特定数据结构（如JSON）返回结果 |
| JSON模式 | JSON Mode | /ˈdʒeɪsɑːn moʊd/ | 通过response_format参数强制AI输出纯JSON |
| 响应格式 | Response Format | /rɪˈspɑːns ˈfɔːrmæt/ | API参数，指定AI返回内容的格式要求 |
| 提示词模板 | Prompt Template | /prɑːmpt ˈtemplət/ | 可复用的提示词结构框架 |
| Markdown语法 | Markdown Syntax | /ˈmɑːrkdaʊn ˈsɪntæks/ | 用于组织复杂Prompt的轻量级标记语言 |