掌握了 JSON 结构化输出的基础用法之后，下一步是让效果稳定可复现。理解原理是关键：自由文本每次结构都不同，后续整理很费时；预先定义字段相当于给 AI 一张要填的表，结果更一致，也更容易检查遗漏。

设计字段时要从“下一步怎么用”倒推。如果结果要做数据透视，字段值就要标准化；如果要人工复核，就需要保留原文依据；如果要导入系统，字段名最好与系统字段一致。先想清楚用途，结构化输出才真正省事。

技巧 1：给枚举字段列出可选值

给枚举字段列出可选值，能显著减少同义词混用，比如“高/中/低”这能帮你更快定位问题出在哪个环节。

技巧 2：在 JSON 里加一个“原文依据”字段

在 JSON 里加一个“原文依据”字段，方便人工核对每个值从哪来。做到这一点，结果的稳定性会明显提高。

技巧 3：表格形式适合人看

表格形式适合人看，JSON 适合程序处理，按用途选择。建议先在一个小任务上试用，确认效果后再推广。

技巧 4：批量处理时保持字段顺序不变

批量处理时保持字段顺序不变，方便后续合并。做到这一点，结果的稳定性会明显提高。

技巧 5：结构化输出与少样本示例结合

结构化输出与少样本示例结合，给一个填好的样例，格式错误会更少。适合在任务较复杂或要反复使用时采用。

一个进阶场景

举个虚构的例子：一位 HR 收到 30 份简历，需要统计候选人的工作年限、技能和期望城市。逐份阅读要花一下午；定义好字段后让 AI 逐份输出 JSON，再合并成表格，HR 只需抽查几份核对，把时间用在面试判断上。

中文字段名可以吗？ 人看的表格可以用中文；要给程序处理时，建议用英文字段名，减少编码和对接问题。

一份进阶写法

下面的模板综合了以上技巧，可以按行政等不同场景替换内容：

你是数据抽取程序，必须严格遵守以下 JSON Schema：
{"type":"object","required":["items"],
 "properties":{"items":{"type":"array","items":{"type":"object",
   "required":["name","category","amount"],
   "properties":{"name":{"type":"string"},
     "category":{"type":"string","enum":["办公","差旅","餐饮","其他"]},
     "amount":{"type":"number"}}}}}}
规则：金额统一为数字（不带单位）；无法判断类别时用“其他”；输出前自检是否为合法 JSON。

进阶使用时仍要避免

  • ✗ 拿到 JSON 不做校验就入库。 ✓ 用程序校验格式和必填字段，抽查内容是否与原文一致。
  • ✗ 一次提取的字段过多。 ✓ 字段太多时拆成两次，先提取核心字段，再补充次要字段。

可以组合的技能

  • 信息抽取：信息抽取是让 AI 从非结构化的文字中找出特定信息，例如从合同中提取金额和期限，从聊天记录中提取待办事项，从简历中提取工作经历。
  • 少样本提示：少样本提示是在提示词里放两三个“输入→理想输出”的示例，让 AI 照着示例的格式、长度和风格处理新的输入。

衡量是否真的进步

一个简单的标准：同类任务需要的修改轮次是否减少，结果是否更稳定。如果答案是肯定的，说明你的结构化输出已经进阶；如果没有，回到基础步骤检查哪里写得不够具体。

相关阅读