结构化输出控制

在实际应用中，LLM 的输出通常需要被程序解析和处理——而不仅仅是给人阅读。本节教你如何精确控制 LLM 的输出格式，实现可靠的结构化输出。

为什么结构化输出重要？

在生产环境中，至少 60-70% 的 LLM 调用需要结构化输出。如果模型返回的 JSON 格式不正确，整个应用流程就会中断。

方法1：提示词约束法

最基本的方法——在提示词中明确要求输出格式。

JSON 输出

from openai import OpenAI
import json
client = OpenAI()
prompt = """
分析以下产品评论，提取关键信息。
评论：
"用了三个月了，总体还不错。电池续航给力，一天一充完全够用。
但是相机在夜景模式下有点模糊，希望后续能通过软件更新改善。
价格在3000元左右，性价比不错。"
请严格按照以下 JSON 格式输出（不要包含任何其他文字）：
{
"sentiment": "正面/负面/中性",
"overall_score": 1到10的整数,
"pros": ["优点1", "优点2"],
"cons": ["缺点1"],
"price_mentioned": true或false,
"price_range": "价格描述或null",
"key_features": ["提到的功能1", "功能2"],
"purchase_intent": "推荐购买/观望/不推荐"
}
"""
response = client.chat.completions.create(
model="gpt-4o",
temperature=0,
messages=[{"role": "user", "content": prompt}]
)
# 解析 JSON
result = json.loads(response.choices[0].message.content)
print(json.dumps(result, ensure_ascii=False, indent=2))

提高 JSON 输出可靠性的技巧：

# 技巧1：在System Prompt中强调格式
system_prompt = """你是一个数据处理助手。
你只输出合法的JSON格式，不包含任何解释性文字、Markdown标记或代码围栏。
确保JSON可以被 json.loads() 直接解析。"""
# 技巧2：给出完整的JSON Schema
schema_prompt = """
按以下 JSON Schema 输出：
{
"type": "object",
"properties": {
"name": {"type": "string", "description": "产品名称"},
"score": {"type": "integer", "minimum": 1, "maximum": 10},
"tags": {"type": "array", "items": {"type": "string"}}
},
"required": ["name", "score", "tags"]
}
"""
# 技巧3：防御性解析
def safe_parse_json(text: str) -> dict:
"""安全地从LLM输出中解析JSON"""
# 移除可能的Markdown代码围栏
text = text.strip()
if text.startswith("```json"):
text = text[7:]
if text.startswith("```"):
text = text[3:]
if text.endswith("```"):
text = text[:-3]
return json.loads(text.strip())

方法2：OpenAI Structured Outputs（原生支持）

从 2024 年起，OpenAI 提供了原生的结构化输出能力——模型层面保证输出符合指定的 JSON Schema。

from openai import OpenAI
from pydantic import BaseModel
from typing import Optional
client = OpenAI()
# 使用 Pydantic 定义输出结构
class ProductReview(BaseModel):
sentiment: str
overall_score: int
pros: list[str]
cons: list[str]
price_mentioned: bool
price_range: Optional[str]
summary: str
# 使用 response_format 参数
response = client.beta.chat.completions.parse(
model="gpt-4o-2024-08-06",  # 需要支持 Structured Outputs 的模型版本
messages=[
{
"role": "system",
"content": "你是一个产品评论分析助手。"
},
{
"role": "user",
"content": "分析评论：用了三个月，电池续航好，相机夜景模式差，价格3000元性价比不错。"
}
],
response_format=ProductReview  # 直接传入 Pydantic 模型
)
review = response.choices[0].message.parsed
print(f"情感: {review.sentiment}")
print(f"评分: {review.overall_score}")
print(f"优点: {review.pros}")

Structured Outputs vs 提示词约束

方法3：多种输出格式控制

Markdown 表格

table_prompt = """
比较以下三种 Python Web 框架，以 Markdown 表格格式输出。
框架：FastAPI、Django、Flask
比较维度：
| 维度 | FastAPI | Django | Flask |
|------|---------|--------|-------|
| 性能 | | | |
| 学习曲线 | | | |
| 生态系统 | | | |
| 适用场景 | | | |
| 异步支持 | | | |
每个单元格用简短的描述（不超过15字），可使用 ⭐ 评分。
"""

XML 格式

xml_prompt = """
将以下用户信息转换为 XML 格式。
用户信息：
- 姓名: 张三
- 年龄: 28
- 邮箱: zhangsan@example.com
- 技能: Python, JavaScript, SQL
请输出如下格式的 XML：
<user>
<name>...</name>
<age>...</age>
<email>...</email>
<skills>
<skill>...</skill>
</skills>
</user>
"""

YAML 格式

yaml_prompt = """
为以下微服务生成 Kubernetes Deployment 配置文件（YAML格式）。
服务信息：
- 服务名: user-service
- 镜像: myregistry/user-service:v1.2.0
- 副本数: 3
- 端口: 8080
- 资源限制: CPU 500m, 内存 512Mi
- 环境变量: DATABASE_URL, REDIS_URL
- 健康检查路径: /health
请输出完整可用的 YAML 配置。
"""

结构化输出的高级技巧

1. 处理复杂嵌套结构

complex_schema_prompt = """
分析以下技术文章，提取结构化信息。按如下嵌套 JSON 格式输出：
{
"article": {
"title": "文章标题",
"author": "作者",
"published_date": "YYYY-MM-DD",
"category": "技术分类",
"difficulty": "入门/中级/高级"
},
"content_analysis": {
"main_topic": "核心主题",
"key_concepts": [
{
"concept": "概念名称",
"definition": "简短定义",
"importance": "高/中/低"
}
],
"technologies_mentioned": ["技术1", "技术2"],
"code_languages": ["语言1"]
},
"quality_assessment": {
"clarity_score": 1-10,
"depth_score": 1-10,
"practical_value": 1-10,
"overall_rating": 1-10,
"strengths": ["优点1"],
"improvements": ["改进点1"]
},
"metadata": {
"word_count_estimate": 数字,
"reading_time_minutes": 数字,
"target_audience": "目标读者描述"
}
}
文章内容如下：
---
{article_text}
---
"""

2. 条件格式输出

根据输入的不同，输出不同的结构：

conditional_prompt = """
分析用户的技术问题并分类处理。
根据问题类型，使用不同的输出格式：
如果是 Bug 报告：
{
"type": "bug",
"severity": "critical/high/medium/low",
"component": "受影响的组件",
"steps_to_reproduce": ["步骤1", "步骤2"],
"expected_behavior": "预期行为",
"actual_behavior": "实际行为",
"suggested_fix": "建议修复方案"
}
如果是功能请求：
{
"type": "feature_request",
"priority": "P0/P1/P2/P3",
"description": "功能描述",
"user_story": "作为X，我想要Y，以便Z",
"acceptance_criteria": ["标准1", "标准2"],
"estimated_effort": "small/medium/large"
}
如果是使用咨询：
{
"type": "question",
"topic": "问题领域",
"answer": "简明回答",
"related_docs": ["相关文档链接"],
"follow_up_needed": true/false
}
用户问题：{user_input}
"""

3. 批量处理与表格输出

batch_prompt = """
请分析以下5条客户反馈，以JSON数组格式返回每条的分析结果。
反馈列表：
1. "配送太慢了，等了5天"
2. "产品质量不错，很满意"
3. "客服态度很好，解决了我的问题"
4. "价格涨了，不太划算了"
5. "包装有损坏，但产品没问题"
输出格式：
[
{
"id": 1,
"text": "原始文本",
"sentiment": "positive/negative/neutral",
"category": "配送/产品/客服/价格/包装",
"urgency": "high/medium/low",
"action_required": "需要采取的行动"
}
]
确保返回正好5条分析结果。
"""

验证与错误处理

在生产环境中，永远不要假设 LLM 的输出格式是正确的。

from pydantic import BaseModel, ValidationError
from typing import Optional
import json
class AnalysisResult(BaseModel):
"""定义预期的输出结构"""
sentiment: str
score: int
summary: str
tags: list[str]
def robust_structured_call(
prompt: str,
max_retries: int = 3
) -> Optional[AnalysisResult]:
"""
带重试和验证的结构化LLM调用。
Args:
prompt: 提示词
max_retries: 最大重试次数
Returns:
验证通过的结果，或 None
"""
for attempt in range(max_retries):
try:
response = client.chat.completions.create(
model="gpt-4o-mini",
temperature=0,
messages=[
{
"role": "system",
"content": "你只输出合法的JSON，不包含其他文字。"
},
{"role": "user", "content": prompt}
]
)
raw_text = response.choices[0].message.content
parsed = safe_parse_json(raw_text)
result = AnalysisResult(**parsed)  # Pydantic 验证
return result
except json.JSONDecodeError as e:
print(f"第{attempt+1}次尝试：JSON解析失败 - {e}")
except ValidationError as e:
print(f"第{attempt+1}次尝试：数据验证失败 - {e}")
except Exception as e:
print(f"第{attempt+1}次尝试：未知错误 - {e}")
print("所有重试均失败")
return None
# 使用
result = robust_structured_call(
"分析评论：'这个手机拍照很棒但电池不耐用'，JSON格式输出sentiment, score(1-10), summary, tags"
)
if result:
print(f"情感: {result.sentiment}, 评分: {result.score}")

动手练习

练习1：设计数据抽取提示词

设计一个提示词，从一段招聘JD（职位描述）中抽取以下结构化信息： - 职位名称、公司名称、工作地点 - 薪资范围 - 技术要求（数组） - 经验要求 - 学历要求

要求输出可被程序直接解析的JSON。

练习2：构建验证流水线

基于 robust_structured_call 函数，添加以下功能： - 当JSON解析失败时，自动将上次的错误信息反馈给模型重试 - 记录每次调用的 Token 消耗 - 统计成功率

本章要点

• ✅ 生产环境中大部分 LLM 调用需要结构化输出
• ✅ 提示词约束法通用但不100%可靠，需要防御性解析
• ✅ OpenAI Structured Outputs 能从模型层面保证格式正确
• ✅ 除了 JSON，还可以控制 Markdown 表格、XML、YAML 等格式输出
• ✅ 复杂场景可以使用条件格式和批量处理
• ✅ 生产代码必须加入验证和重试机制，不要信任原始输出

下一步：提示链与多步任务分解 🚀