Prompt格式控制实用技巧

可视化演示

展示二分查找在有序数组中的搜索过程，包括范围初始化、中间元素比较、范围缩小和目标定位，支持步进和自动播放。

格式控制原理

你新开外卖店那周，给主厨的指令只有一句话：“今天做几个拿手菜。”主厨确实做了——三文鱼刺身配芝麻酱、冰镇酸梅汤倒在白米饭上、甜品是撒了辣椒面的布丁。每道菜都好吃，但顾客全看懵了。问题不在手艺，而在需求没说清。AI 主厨也一样：它学过的“菜谱”浩如烟海，你不说清楚“要什么形式”，它就在自己最顺手的菜式上自由发挥。

格式控制的原理其实朴素：大模型是概率生成器，每一个输出 token 都“顺势而走”。提示词里明确的格式要求，等于给这条概率河流筑起了堤坝——模型在训练中见过海量“指令后跟特定格式回答”的样本，所以当你在提示词中指定“用 JSON 格式回答”时，它顺着这种格式惯性走出的概率会显著上升。

实践中的“格式指令”包含三个层次：一是格式类型，如“输出 JSON 对象”；二是字段规格，如“包含 name 和 count 两个键”；三是禁止项，如“不要输出任何解释文字”。三者叠加，模型对输出格式的把握就从“模糊”变成“具体”。值得强调的是，格式指令属于提示词的一部分，与模型参数无关，你不需要调任何超参数——改提示词，就是改产品的行为。

所以，想让主厨端出“一荤一素一汤”而不是抽象料理，诀窍就是把装盘规则写进点餐单。规则越具体，自由发挥的空间越小，出品就越稳定——这就是格式控制的第一课：先让 AI 明确知道“你要什么形状的菜”。

分隔符妙用

有一回，你给主厨递了张纸条：“请把以下故事改写成剧本：王小明走进厨房，把醋当成了酱油。”主厨读完认真点头，转身交差：“王小明把醋当成了酱油。”你哭笑不得——他把“故事”和“指令”搅成了一锅粥。后来你学乖了，用三条横线把材料框住：“请把 --- 以下内容 --- 改写成剧本：--- 王小明走进厨房，把醋当成了酱油。 ---”。主厨终于分清“规则”和“原料”，作业一次过关。

分隔符（Delimiter）就是提示词里的“饭盒隔板”。它的作用是把提示词切成两个语义区：指令区告诉 AI 怎么做，内容区放着待加工的材料。没有隔板时，材料里的句子、符号、甚至“请忽略之前的指令”都可能被模型误读成新的指令——这正是提示注入（Prompt Injection）能得逞的入口。

常用的分隔符有三引号 """..."""、尖括号 <...>、三条横线 ---、以及中文场景下的书名号或方括号。使用要点有三条：①分隔符要成对出现并保持醒目；②尽量选不易在原材料中出现的符号；③在提示词里明确“分隔符内的内容是待处理材料”。模型在训练中见过大量类似标记，能很快学会“框起来的就是隔离区”。

分隔符这门手艺，本质是“给原料贴上隔离标签”。下次外卖订单里有汤有饭，记得用隔板把它们分开——主厨不迷糊，你的程序也不容易被奇怪的输入带偏。

结构化模板

主厨出品稳定后，新烦恼来了：他交的菜单总是丢三落四——今天忘了写数量，明天漏了口味。你受够了，直接从印刷厂订了一叠固定格式的点餐单：菜品名、数量、口味、备注，几栏印得清清楚楚。从此主厨只需要“填空”，收上来的单子永远四栏齐全。

结构化模板（Template）就是提示词里的“固定点餐单”。做法是：把期望输出的框架直接写进提示词，用占位符标出需要 AI 填充的位置。AI 记性好、模仿力强，看到“菜品名： 数量： 口味：”这样的骨架，会本能地按顺序填满每一个空。

设计模板有三条经验：①字段名要语义自洽，尽量使用常见的、不会产生歧义的词；②占位符形式统一，例如统一用 <...> 或 ___，别一会儿尖括号一会儿方括号；③在模板下方附一个填好的示例——“就像这样”比任何抽象描述都管用。示例既演示了字段顺序，也锁定了值类型（数字、文本、布尔），让 AI 的“填空”有样可依。

点餐单的妙处在于：它把一道开放题变成了填空题。AI 的天赋是模仿，你给它一个漂亮的骨架，它就把骨架还给你——还帮你填满。

JSON格式控制

外卖生意做大了，你发现后台堆积如山的顾客备注根本看不过来。你买了一套仓库管理系统，要求主厨把所有出品“贴上标准标签”再送入仓库：每盒菜必须贴三张标签——菜品名、数量、口味。系统扫码枪“哔”一声就能入库。那套标签格式，在程序世界里就叫 JSON。

JSON（JavaScript Object Notation）是一种严格、通用的“键值对”数据格式，天然适合程序解析。格式控制的常见做法，是在提示词中要求：“只输出一个 JSON 对象，包含以下键：name（字符串）、count（数字）、tags（数组）。”模型会按这个规格生成字符串，程序用 json.loads() 一步转成字典——零人工介入。

让 JSON 输出稳定有四条技巧：①开头就声明“只输出 JSON，不要多余文字”，封堵解释性前缀；②给出键名清单并标注类型，如“数量”必须是数字；③可选键用文字说明“没有则填 null”，避免缺键；④提示词里附一份“标准示例”，把外观焊死。若下游要入库或接 API，JSON 是首选——它是机器与机器之间的“普通话”。

标签贴好、贴统一，仓库（程序）才能扫码即入。给 AI 规定好键名与值类型，就等于把“自由发挥的菜”变成“标准入库的商品”。

Markdown格式控制

另一边，顾客投诉：你们的外卖盒虽然标签整齐，但随餐附的“食用说明”排版乱七八糟，看不清主打菜和过敏原。于是你让主厨学会一门“人看排版术”：大标题写店名、小标题写菜系、用圆点列菜品、用表格写价格。客人翻开说明，一目了然——这就是 Markdown 的用武之地。

Markdown 是一种轻量级标记语言，用 # 表示标题层级、- 表示列表、| 分隔表格、`` 表示强调。对展示型内容（周报、摘要、说明书、商品描述），让 AI 按 Markdown 结构输出，能显著提升信息层级感。相比 JSON，Markdown 的每一条结构都“为眼睛服务”，而不是“为解析服务”。

Markdown 格式控制的操作要点：①在提示词里指定结构，如“用三级标题组织，把结论放最前”；②有对比信息时要求“用表格呈现”；③可要求“使用加粗突出关键数字”。模型对 Markdown 语法掌握得很扎实，只要给出结构指令和示例，就能产出排版工整的内容。如果你要把内容呈现给人类，Markdown 是性价比最高的输出格式。

同样是菜，给仓库的要贴标签（JSON），给食客的要排版精美（Markdown）。分清“给谁看”是格式控制的第一直觉——选对了盒子，一半的功夫就省下了。

格式错误处理

就算点餐单和标签都齐了，主厨偶尔还是会失误：今天少贴一张标签，明天把二维码贴歪，后天在标签旁边多画了个笑脸。你没有开除他——天才难寻——而是定下三条规矩：发现不对就退回去让他重贴；重贴前把“标准贴法”再演示一遍；实在不行，仓库门口装一台扫码校验机，没贴齐标签的盒子直接拦截。

格式错误是生产环境的常态而非意外。常见三类：①杂讯型，模型输出了解释前缀或额外的客套话；②偏差型，JSON 键名、字段类型与约定不符；③包裹型，本该是纯文本的 JSON 被 Markdown 代码块包住。处理思路不是“祈祷模型别出错”，而是建立“纠错流水线”。

纠错流水线的三环节：一是重新提示（Reprompt），在后续请求中追加“上次格式有误，请严格按模板输出，不要解释”，利用模型的长上下文记忆修正；二是示例纠偏，给出一个标准输出让模型照着改；三是程序兜底，用正则抽取 JSON 片段、try/except 捕获解析异常、必要字段缺失时自动补默认值。三者配合，单轮成功率 p 会被“轮次”放大成近乎确定的成功。

与主厨磨合久了你会发现：好厨师也会手滑，但有一套“退菜-重贴-校验”流程的厨房，永远比指望运气更让人安心。格式控制不是一锤子买卖，而是一套让 AI 输出“长期保持体面”的运维体系。

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-# 演示 Prompt 格式控制：模板组装、分隔符、JSON 解析与错误重试import jsonimport re  def fake_gpt(prompt):    """模拟大模型：按提示词中的格式要求返回结果。"""    if "重新严格按模板输出" in prompt:        return '{"菜品名": "宫保鸡丁", "数量": 2, "口味": "微辣"}'    if "只输出一个 JSON 对象" in prompt:        return '好的，让我想想：{"菜品名": "宫保鸡丁", "数量": "两个", "口味": "微辣"}'    return "好的，让我先简单介绍一下这道菜的故事……"  def build_order_prompt(dish, count, taste):    """组装带模板与分隔符的提示词。"""    template = (        "请提取点餐信息，只输出一个 JSON 对象（不要输出多余文字），"        '格式为 {"菜品名": "<菜名>", "数量": <数字>, "口味": "<描述>"}。\n'        "待处理内容：" + "【%s要%s份，%s】" % (dish, count, taste)    )    return template  def parse_json_from_text(text):    """先用正则抽取 JSON 片段，再交给官方解析器。"""    match = re.search(r"\{.*\}", text, re.S)    if not match:        raise ValueError("输出中找不到 JSON 对象")    return json.loads(match.group(0))  def ensure_format(prompt, max_retry=3):    """校验并重试：格式不对就补充约束再次请求。"""    for attempt in range(max_retry):        raw = fake_gpt(prompt)        print("第 %d 次返回：" % (attempt + 1), raw)        try:            data = parse_json_from_text(raw)            if isinstance(data.get("数量"), int) and data.get("菜品名"):                return data        except (ValueError, json.JSONDecodeError):            pass        prompt = prompt + "\n上次输出不符合模板，请重新严格按模板输出，不要解释。"    raise RuntimeError("多次重试后仍然格式错误")  if __name__ == "__main__":    question = build_order_prompt("宫保鸡丁", 2, "微辣")    print("提示词预览：\n" + question + "\n")    result = ensure_format(question)    print("解析结果：", result)    print("数量字段类型：", type(result["数量"]).__name__)

1. def build_order_prompt(dish, count, taste):把零散的订单信息组装成一条“点餐单”提示词，是格式控制的入口
2. '格式为 {"菜品名": "<菜名>", "数量": <数字>, "口味": "<描述>"}。'结构化模板：字段名、占位符、值类型一次说清
3. "待处理内容：" + "【%s要%s份，%s】" % (dish, count, taste)用【】分隔符把待提取原文框起来，与指令区隔离
4. match = re.search(r"\{.*\}", text, re.S)程序端先用正则抽取 JSON 片段，把“解释前缀”等杂讯挡在门外
5. return json.loads(match.group(0))官方 JSON 解析器把字符串变成 Python 字典，下游可直接消费
6. if isinstance(data.get("数量"), int) and data.get("菜品名"):校验键存在且类型正确，类型不符视为格式错误
7. prompt = prompt + "\n上次输出不符合模板，请重新严格按模板输出，不要解释。"重新提示（Reprompt）：把错误反馈追加进上下文，引导模型下一轮修正

常见误区

面试题