Prompt 工程:让大模型稳定输出结构化结果

同样一个模型,提示词写得好不好,效果能差一个数量级。做产品时,目标往往是:稳定产出可解析的 JSON/Markdown,而不是一次漂亮的散文。

好 Prompt 的骨架

  1. 角色:你是谁
  2. 任务:要干什么
  3. 约束:不能干什么
  4. 格式:输出长什么样
  5. 示例:给 1~2 个正例

示例:抽取简历关键字段

你是信息抽取助手。从用户文本中提取字段,只输出 JSON,不要解释。
字段:name, years, skills(array), summary
若缺失请填 null。

示例输入:张三,5年Python,擅长爬虫与数据分析。
示例输出:{"name":"张三","years":5,"skills":["Python","爬虫","数据分析"],"summary":"5年Python开发"}

现在处理:
"""
{{用户文本}}
"""

提高稳定性的技巧

  • 要求「只输出 JSON」,并在代码里做解析重试
  • 把枚举值写死:状态只能是 A/B/C
  • 复杂任务拆成多步:先分类,再抽取,再校验
  • 关键业务加规则校验(日期格式、金额范围)

Python 侧校验

import json
from jsonschema import validate

schema = {
  "type": "object",
  "required": ["name", "skills"],
  "properties": {
    "name": {"type": ["string", "null"]},
    "skills": {"type": "array", "items": {"type": "string"}},
  },
}

def parse_llm_json(text: str):
    data = json.loads(text)
    validate(data, schema)
    return data

模型负责生成,代码负责验收——这是上线级 Prompt 工程的核心。

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注