12.2 结构化输出

12.2 结构化输出

别让 AI 写作文，让它“填表”。请使用 Markdown 表格/JSON 格式输出。

12.2.1 AI 天生爱唠叨

如果你问 AI：“这是哪三款手机的对比？”

它通常会给你写一篇像博客一样的长文：

“好的，这三款手机分别是 A、B 和 C。A 的特点是像素高，屏幕大... 而 B 的续航很好，但是有点重... C 则是...”

看着很累，重点难找，复制粘贴也很麻烦。

这是因为 AI 默认是在 “聊天”（Chat），而不是在“处理数据”（Data Processing）。

12.2.2 驾驭 AI 的缰绳：格式限制

对付“话痨”最好的办法，就是直接扔给它一个 “框”。

我们不仅要告诉它 “内容是什么”，还要规定它“长什么样”。

场景 1：做竞品分析（使用表格）

“请对比 iPhone 15 和 Pixel 8。

请使用 Markdown 表格形式输出，包含以下列：型号、屏幕尺寸、处理器、价格、核心卖点。”

结果瞬间清爽：
| 型号 | 屏幕尺寸 | 处理器 | 价格 | 核心卖点 |
| :--- | :--- | :--- | :--- | :--- |
| iPhone 15 | 6.1寸 | A16 | $799 | 生态系统、视频拍摄 |
| Pixel 8 | 6.2寸 | Tensor G3 | $699 | AI 拍照功能、原生安卓 |

场景 2：程序员写代码（使用 JSON）

“帮我提取这段新闻里的人物、地点和时间。

不要废话，直接输出 JSON 格式，字段为：person, location, time。”

结果直接可用：

{
  "person": "Sam Altman",
  "location": "San Francisco",
  "time": "2023-11-17"
}

12.2.3 为什么要结构化？

结构化输出不仅仅是为了好看，它有两个巨大的价值：

1. 可读性（Readability）：信息密度极大提升，一目了然。
2. 可连接性（Connectivity）：结构化的数据（如 JSON/CSV）可以直接被 Excel、代码或其他软件读取。这时，AI 就不再只是一个聊天机器人，而变成了一个数据预处理器。

[!NOTE]

API 级别的强校验 (JSON Schema)

如果仅依靠“请输出 JSON”的自然语言提示，模型在复杂场景下依然可能输出错误格式（例如少了个逗号、或多废话几句代码注释）。在工业级生产环境中，我们不仅要求输出格式，还需要进行 机器强约束与校验：

1. Structured Outputs / Function Calling：现代模型 API（如 OpenAI 的 Structured Outputs）支持直接在发送 API 请求时附带 JSON Schema（数据结构定义），通过引擎底层甚至是生成采样过程（Sampling）强迫其100%符合结构。

2. 本地校验阻断：即使收到了 JSON 内容，也要利用代码库（如 Pydantic 或 jsonschema）直接验证拦截。一旦失败立刻抛弃或交回模型自动重试。

代码实验：

请参阅本书配套的 labs/02_structured_output.py。其中展现了如何利用 Python jsonschema 对 AI 生成的 JSON 数据格式执行本地化严谨校验并捕捉错误。

12.2.4 思考题

回想一下你最近一次让 AI 帮你做总结。

如果当时你加上一句 “请用列表形式展示核心观点”或者“请生成一个思维导图格式（Markdown）”，效果会不会好很多？

下次试试看。