想象一下，你是一家小公司的负责人，终于招到了一位精力充沛但有点笨拙的AI实习助理。它上知天文下知地理，可你让它查“一杯冰美式多少钱”，它回你一篇三百字的小作文，从咖啡豆产地讲到烘焙工艺，就是没有一个干净的数字。你让它写一份工作总结，它交上来的格式十个人十个样。直到有一天，你发现这位助理其实“认表格不认人话”——只要你在任务说明里把格式写清楚，它就能规规矩矩地填表、排版，一改散漫作风。这份“任务说明”，就是Prompt工程师日常打磨的东西。而今天要学的，是其中最基础也最救命的两类格式控制：JSON和Markdown。前者让AI输出程序能直接读的结构化数据，后者让AI输出排版美观的文档。掌握了它们，AI就从“话痨”变成了“靠谱文书”。

岗位关联

学会格式控制，你就能让大模型输出可靠的结构化数据与规范文档，无论是搭Agent、做数据流水线还是写自动化报告，这一步都是把AI从“能聊天”推向“能干活”的关键门槛。

目录
  1. 可视化演示
  2. JSON结构化输出：给助理一张“数据交接表”
  3. Markdown排版控制：助理的“汇报排版规范”
  4. Prompt指令设计：任务说明书的四要素
  5. 格式校验方法：质检员的验收流程
  6. 常见错误排查：质检打回的“错题本”
  7. JSON Schema约束：给交接表配“填写说明书”
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示Prompt控制AI输出JSON结构、Markdown格式渲染及Schema校验流程，理解结构化输出核心方法。

本节配有交互动效（进入视口后自动加载，约 3KB）。

JSON结构化输出 Prompt指定JSON格式，模型输出键值对结构化数据 支持嵌套对象、数组和多种数据类型 Prompt → LLM → JSON{key: value} 通过Prompt控制AI输出标准JSON结构，便于程序解析

JSON结构化输出：给助理一张“数据交接表”

你让AI实习助理去查“一杯冰美式多少钱”，它回你一篇热情洋溢的小作文，从咖啡因含量扯到门店排队时长。你哭笑不得，于是拿出一张空表格，在上面写好栏目名：name、price、currency，然后对它说：“把答案填进这张表。”助理立刻安静下来，规规矩矩地填好了一行数据。这张“表”，就是JSON。

JSON的全称是JavaScript Object Notation，它用键值对来组织数据，就像一张只有两列的表格：左栏是“栏目名”（称为键，key），右栏是“填的内容”（称为值，value）。程序之间传递数据时，JSON是最通用的“交接表”——无论是Python、Java还是Go，都能读懂这张表。而大模型恰好也认识它，只要你把表头写在Prompt里。

当你在Prompt中声明“只输出JSON”，并列出需要的字段名和字段类型，AI就会按表格填写。字段名要写在双引号里，字符串值也要加双引号；数字直接裸写；布尔值写true或false；多行数组用方括号括起来。为了让AI填得更准确，可以在Prompt末尾附上一个完整的JSON示例，它模仿示例的能力远超你的想象。

养成“用表格接数据”的习惯后，AI实习助理的散文病就治好了大半。但要注意，表格只有交接数据时才用；如果需要一份给老板看的文档，还有另一套规范等着它——那是下一节的故事。

JSON={"key":value∣key∈String,value∈String|Number|Boolean|Array|Object|null}\text{JSON} = \{ \text{"key"} : \text{value} \mid \text{key} \in \text{String}, \text{value} \in \text{String|Number|Boolean|Array|Object|null} \}
这个公式是说：一张JSON“交接表”由若干个“栏目名：值”组成，栏目名必须是字符串，值可以是六种类型之一。
  1. 花括号定边界JSON对象由一对花括号包裹，表示“这张交接表从这里开始、到那里结束”。
    JSON={⋯ }\text{JSON} = \{ \cdots \}
  2. 键名用双引号"key"就是表格栏目名，JSON标准规定键名必须用双引号包裹，单引号或裸写都不合法。
    "key"\text{"key"}
  3. 冒号连接键值冒号把栏目名和内容连接起来，读作“这一栏的值是……”。
    "key":value\text{"key"} : \text{value}
  4. 值类型多样值可以是字符串（加双引号）、数字（裸写）、布尔值、数组、嵌套对象或null空值。
    value∈{String,Number,Boolean,Array,Object,null}\text{value} \in \{\text{String}, \text{Number}, \text{Boolean}, \text{Array}, \text{Object}, \text{null}\}
  5. 逗号分隔条目相邻条目之间用逗号分隔，但最后一条后面绝不能加逗号，否则就是经典的“尾逗号”错误。
    "a": 1,"b": 2\text{"a": 1}, \text{"b": 2}

Markdown排版控制：助理的“汇报排版规范”

数据交接用表，但你要给老板交一份阅读体验良好的文档，不能又是一张冷冰冰的表。于是你给助理立下规矩：写文档必须用统一的排版规范——一级标题用井号，要点用短横线，代码放进代码块。助理照做后，交上来的文档终于从“手写便签”升级成了“正式公文”。

这套“排版规范”就是Markdown。它是一种轻量级标记语言，用几个简单符号表达文档结构：井号#表示标题，短横线-表示无序列表，数字加点表示有序列表，三个反引号包裹代码块，竖线和短横线组成表格。Markdown本身是给人读的纯文本，经过渲染器处理后会变成漂亮的HTML页面。

在Prompt中控制Markdown，核心是限定元素种类和层级。要明确告诉AI：一级标题用什么、二级标题用什么、列表嵌套时缩进几个空格。尤其要注意代码块的语言标记——如果文档里要展示JSON，应该写```json，渲染器会识别并高亮。AI有时会漏写语言标记或把代码块和引用块混用，这些都需要在Prompt里提前声明。

有了排版规范，助理交上来的报告从“手写便签”升级成“正式公文”。现在你手上有两张神器：JSON负责“数据交接”，Markdown负责“文档排版”。但神器能不能起作用，关键看你写的“任务说明书”——也就是Prompt——是否把这些要求讲清楚了。

Markdown≅{标题: #n,  无序列表: ∙,  有序列表: 1.,  代码块: 三反引号,  表格: ∣−−−∣}\text{Markdown} \cong \{ \text{标题: }\#^n,\; \text{无序列表: } \bullet,\; \text{有序列表: } 1.,\; \text{代码块: 三反引号}, \; \text{表格: } |---| \}
这个公式把Markdown比作“排版指令集”：每种符号对应一种排版效果，控制它们就等于控制文档的骨架。
  1. 井号定标题层级#数量表示标题级别，#是一级标题，##是二级标题，最多六级，对应文档的章节结构。
    #n  (n=1…6)\#^n \;(n=1\ldots6)
  2. 列表符号短横线加空格生成无序列表，数字加点生成有序列表，换行后缩进可表示嵌套层级。
    - 或 1.\text{-} \text{ 或 } \text{1.}
  3. 三反引号围代码连续三个反引号成对出现，中间内容按代码块显示，加上语言名如json可获得语法高亮。
    \text{\0\`} + \text{lang}
  4. 表格用竖线与横线竖线分隔单元格，短横线行分隔表头，AI生成的表格常在这里漏掉分隔线。
    ∣—∣| \text{---} |

Prompt指令设计：任务说明书的四要素

你手里有了两张神器，但助理并不知道今天该用哪张。你需要在“任务说明书”——Prompt——里把格式要求写清楚。指令含糊，助理就自由发挥；指令精确，助理就规规矩矩。一个格式控制型Prompt，就像一份给实习助理的流程图：每一步走到哪、用什么格式，全部画好。

一份合格的格式控制Prompt通常由四个部分拼成：格式声明、字段/结构说明、示例、约束。格式声明是第一句话，直接告诉AI“只输出JSON”或“输出Markdown文档”；字段说明列出需要的键名和类型，相当于告诉助理表格有哪些栏目；示例给一个完整样例，AI的模仿能力极强，一个例子胜过十句解释；约束则是禁令清单，比如“不要解释、不要问候、不要用代码块包裹”。

这四个要素中，“声明”最容易被忽略的其实是位置——它要放在Prompt最前面，因为大模型对开头的指令权重更高。“示例”则最容易被偷懒跳过，但它恰恰最能稳定输出格式。另外，“一次只问一事”也很重要：既要求JSON又要求写一段散文，AI往往会顾此失彼。

四要素齐了，AI实习助理就像拿到了流程图，照着走即可。但Prompt写得再好，也不能保证助理100%听话——毕竟它是语言模型，不是编译器。所以拿到输出后，还要有一道“质检验收”的工序。

Promptformat=声明⏟只输出JSON+字段/结构⏟必须含name+示例⏟给一个样例+约束⏟不要解释\text{Prompt}_{\text{format}} = \underbrace{\text{声明}}_{\text{只输出JSON}} + \underbrace{\text{字段/结构}}_{\text{必须含name}} + \underbrace{\text{示例}}_{\text{给一个样例}} + \underbrace{\text{约束}}_{\text{不要解释}}
这个公式是“格式控制Prompt”的配方：四样原料按顺序搭配，缺一样就容易产出不规整的结果。
  1. 格式声明第一句话就亮明格式，例如“只输出JSON，不要任何解释文字”。
    声明→"只输出JSON"\text{声明} \to \text{"只输出JSON"}
  2. 字段/结构说明把需要的键名和类型列出来，例如“必须包含name（字符串）、price（数字）”。
    字段→{"name","price"}\text{字段} \to \{\text{"name"}, \text{"price"}\}
  3. 示例引导给一个完整的JSON或Markdown样例，AI会照着样例会话的格式模仿。
    示例→{"name": "冰美式", "price": 18}\text{示例} \to \{\text{"name": "冰美式", "price": 18}\}
  4. 约束补充追加“不要用代码块、不要输出多余内容”等禁令，压缩自由发挥的空间。
    约束→{禁止解释,禁止代码块}\text{约束} \to \{\text{禁止解释}, \text{禁止代码块}\}

格式校验方法：质检员的验收流程

助理交表，你不能直接入库——万一是错的呢？质检员要先检查表格：栏目齐不齐、类型对不对、有没有乱涂乱画，通过才放行。这道质检工序在工程上叫“格式校验”，是AI应用落地时绝不能省的一环。

AI输出的原始文本，需要经过一到四道关卡才能变成可靠的数据。第一关是“提取”：从一段混合文本中抠出JSON片段，通常优先寻找```json代码块，找不到就找第一个花括号和最后一个花括号之间的内容。第二关是“语法解析”：用json.loads把JSON字符串变成Python字典，任何语法错误都会当场抛出异常。第三关是“字段检查”：核对必填字段是否存在、类型是否匹配。如果是Markdown文档，还会用正则或渲染器检查标题层级是否合理。

这套流程在工程上叫“抽取-解析-校验”流水线。它的核心思想是：永远不要把AI输出当作可信数据，先把它当作待加工的原料，通过质检后才转正。这也是Prompt工程师与普通API调用者最大的区别——前者有完整的校验意识。

质检这道闸门，挡住了一大批助理的“鬼画符”。但质检员手里的“错题本”也很重要——知道助理常犯哪些错，才能在Prompt里提前打预防针。下一节我们就翻开这本错题本。

parse(text)=extract(text)→json.loadsdict→check_requiredOK / Error\text{parse}(\text{text}) = \text{extract}(\text{text}) \xrightarrow{\text{json.loads}} \text{dict} \xrightarrow{\text{check\_required}} \text{OK / Error}
这个公式描述了“从AI回复到可靠数据”的三步流水线：先提取，再解析，最后检查必填字段。
  1. 提取extract从原始文本中抠出JSON片段，优先匹配```json代码块，退而求其次找首尾花括号。
    extract(text)→json_block\text{extract}(\text{text}) \to \text{json\_block}
  2. 语法解析json.loads把JSON字符串解析成Python字典，这一步是质检的核心闸门，语法错误在此暴露。
    json_block→json.loadsdict\text{json\_block} \xrightarrow{\text{json.loads}} \text{dict}
  3. 必填字段检查逐个核对required列表中的字段是否存在于字典中，相当于清点表格栏目有没有漏填。
    check_required(dict)\text{check\_required}(\text{dict})
  4. 输出OK或Error通过则交给业务逻辑使用，失败则触发重试或告警，绝不静默吞掉。
    →OK/Error\to \text{OK} / \text{Error}

常见错误排查：质检打回的“错题本”

质检员手里有本“错题本”，记录着助理最常犯的几类格式错误。认识这些错误，你就能在Prompt里提前写约束，避免踩坑；即使出错，也能一眼定位、快速修复。大模型输出JSON时的错误，翻来覆去就是那么几类。

第一类是“转义引号”：AI可能输出 {\"name\": \"x\"} 这样的文本，这是因为它在内部对引号做了转义，但你拿到的字符串里残留了反斜杠，json.loads会解析成奇怪的字段名或直接报错。处理办法是先解码或替换多余的反斜杠。第二类是“尾逗号”：对象或数组的最后一项后面多了一个逗号，Python的dict允许这样写，但JSON标准不允许，json.loads会报"Expecting property name enclosed in double quotes"。

第三类是“截断”：模型输出有长度上限，JSON被拦腰斩断，缺少右花括号，导致解析失败。这类错误的处理办法是检测到未闭合时触发重试，或者让模型“继续补全”。第四类是“Markdown污染”：AI不听劝，非要把JSON包在```代码块里，或者在JSON前后加了“好的，这是你要的信息”这类解释文字。对付它，就靠前面说的提取步骤。

有了错题本，助理再犯同类错，你一眼就能认出。但质检和诊断终究是事后补救，有没有办法“事前”就把规矩定死？有——给交接表配一本“填写说明书”，也就是JSON Schema。

E={转义引号⏟escaped,  尾逗号⏟trailing,  截断⏟truncated,  Markdown污染⏟polluted}E = \{ \underbrace{\text{转义引号}}_{\text{escaped}},\; \underbrace{\text{尾逗号}}_{\text{trailing}},\; \underbrace{\text{截断}}_{\text{truncated}},\; \underbrace{\text{Markdown污染}}_{\text{polluted}} \}
这个公式是“错题本”的目录：AI输出JSON的常见错误全集，认识它们就能快速定位问题。
  1. 转义引号字符串值里出现反斜杠转义，需要先解码或修正再解析，否则字段名会带反斜杠。
    "name"→"name"\text{"name"} \to \text{\\"name\\"}
  2. 尾逗号最后一项后残留逗号，JSON语法禁止，常用正则删除或要求AI重写。
    ..., "price": 18,→报错\text{..., "price": 18,} \to \text{报错}
  3. 截断右花括号缺失，JSON不完整，检测到未闭合时重试或让模型续写。
    \text{\{"name": "冰美式"} \to \text{缺少右括号}}
  4. Markdown污染JSON被代码块或解释文字包裹，提取代码块内容即可解决。
    \text{\0\1\2} \to \text{提取}

JSON Schema约束：给交接表配“填写说明书”

光有表格还不够，新来的助理不知道“价格”该填数字还是带￥的字符串、“名称”能不能为空。你干脆写一本“填写说明书”：每一栏的类型、是否必填、取值范围，全部写死。这本说明书，就是JSON Schema。

JSON Schema用JSON自身的语法，去描述另一份JSON的合法结构。它解决三个核心问题：字段类型对不对（price必须是number而不是string）、字段齐不齐（required数组声明哪些键必须有）、取值范围合不合法（enum限定可接受的枚举值）。把它和AI输出结合，就是这个场景下最完整的一道保险。

一个最简单的Schema长这样：type声明根节点必须是对象，properties定义每个键的类型，required列出必填键。用Python的jsonschema库，一条validate调用就能完成全部校验。相比手写字段检查，Schema把规则集中管理，改起来也方便——AI输出的结构越来越复杂时，它尤其好用。

有了Schema这本“填写说明书”，你对助理输出的质量基本可以“高枕无忧”——说明书在手，质量我有。至此，从Prompt设计到输出校验再到异常兜底，一套完整的JSON/Markdown格式控制闭环就成型了。

Schema={type:"object",  properties:{⋯ },  required:[⋯ ]}\text{Schema} = \{ \text{type}: \text{"object"},\; \text{properties}: \{ \cdots \},\; \text{required}: [\cdots] \}
这个公式是Schema的“骨架”：声明根类型、定义字段类型、列出必填清单，三者合一就框定了JSON的合法范围。
  1. type声明根类型整个数据必须是object对象，这是Schema的根节点约束。
    type:"object"\text{type}: \text{"object"}
  2. properties定义字段逐键声明每个字段的类型，如name必须是string、price必须是number。
    properties:{"name": "string","price": "number"}\text{properties}: \{\text{"name": "string"}, \text{"price": "number"}\}
  3. required必填清单数组中的每个键，输出JSON里都必须存在，否则校验失败。
    required:["name","price"]\text{required}: [\text{"name"}, \text{"price"}]
  4. 附加约束enum限定取值范围，minItems限定数组长度，additionalProperties可禁止多余字段。
    enum:["CNY","USD"]\text{enum}: [\text{"CNY"}, \text{"USD"}]

AI 应用场景

商品信息批量抽取入库

阶段：数据预处理 / 结构化抽取

解决的问题：运营每天要手动把商品页面描述录入数据库，费时且容易出错。通过Prompt让AI从商品文本中抽取名称、价格、库存，并以JSON输出，程序自动校验后入库，将人工作业变为全自动流水线。

具体案例：某电商后台接入大模型，输入“新款陶瓷马克杯，容量350ml，售价29.9元，还剩120件”，Prompt要求只输出JSON且必须包含name、price、stock字段，再用Schema校验类型，校验通过后写入数据库。商品入库从5分钟一件降到5秒一件。

自动生成结构化周报

阶段：文档生成

解决的问题：每周写周报要手动排格式，重复劳动严重。用Prompt让AI按Markdown模板生成周报：一级标题、二级标题、要点列表、数据表格，团队直接渲染成网页或复制进文档工具，统一了团队文档风格。

具体案例：某研发团队让AI根据git提交记录生成周报，Prompt指定“使用Markdown，一级标题为'本周进展'，二级标题按项目分，每个项目下列3至5条要点”，输出后自动渲染成HTML并发送到企微群，从写报到发布只需五秒。

客服聊天记录结构化存档

阶段：数据清洗 / 归档

解决的问题：客服聊天记录是自由文本，难以统计和分析。通过Prompt抽取对话中的用户意图、商品ID、处理状态，输出JSON并校验，把海量对话沉淀为可查询的结构化数据，为后续BI报表和智能质检打基础。

具体案例：某SaaS客服平台每天处理百万条会话，智能体抽取intent、product_id、resolution三个字段，用Schema校验必填项，失败记录自动进入重试队列。历史聊天数据从“废纸堆”变成了“可检索档案”。

Python 演示

python19 行
import jsonimport refrom typing import Any, Dict, List, Optional  def build_json_prompt(question: str, fields: List[str]) -> str:    """构造要求 JSON 输出的 Prompt, 字段名由开发者指定."""    field_str = ", ".join('"%s"' % f for f in fields)    return (        "请只输出 JSON 对象, 不要输出任何解释文字, 不要用 Markdown 代码块包裹.\n"        "JSON 必须包含以下字段: " + field_str + "\n"        "例如: {" + ", ".join('"%s": "示例值"' % f for f in fields) + "}\n"        "问题: " + question    )  def extract_json(raw: str) -> Optional[str]:    """从 AI 回复中提取 JSON 文本: 优先找代码块, 其次找最外层花括号."""    block = re.search(r"
目的：演示“构造JSON输出Prompt → 模拟AI带Markdown包裹的回复 → 提取并校验 → 得到干净字典”的完整流程，同时附带一个Markdown标题层级检查小工具。
  1. block = re.search(r"```(?:json)?\s*(.+?)```", raw, re.S)这是提取JSON的核心，用正则匹配```json代码块，re.S让点号能匹配换行。
  2. json_text = raw[start:end + 1]找不到代码块时退而求其次，取第一个花括号到最后一个花括号之间的文本。
  3. data = json.loads(json_text)语法校验的闸门，任何JSON语法问题都会在这里抛出异常。
  4. for field in required: if field not in data: raise KeyError(...)逐个核对必填字段，相当于清点表格栏目。
  5. prompt = build_json_prompt(...)用“声明+字段+示例”三段式构造Prompt，是格式化输出的第一道防线。
  6. counts["h2"] = len(re.findall(r"^## ", md_text, re.M))用正则统计Markdown二级标题数量，检查文档层级是否合理。

常见误区

误区“AI这么聪明，输出JSON一定是合法JSON，直接 json.loads 肯定能成功，如果失败就是AI不行。”

正解AI是语言模型而不是编译器，它输出的JSON完全可能带尾逗号、转义引号、Markdown代码块甚至解释文字。正确的工程习惯是：把AI输出当作“待加工的原料”，先提取、再解析、最后校验。解析失败时优先考虑重试或修复，而不是责怪模型。

为何常见：演示环境里AI经常输出完美JSON，让人误以为这是确定性行为，忽略了LLM本质是概率生成，同样的Prompt每次输出都可能有微小差异。

误区“Python字典就是单引号写的，所以JSON的键也可以写单引号，双引号太麻烦。”

正解JSON是独立于任何编程语言的文本标准，键名和字符串值必须使用双引号。单引号在Python字典里合法，但json.loads解析时会直接报错。写Prompt时也要明确告诉AI“键名用双引号”，否则它可能照抄你在示例里写的Python风格。

为何常见：很多教程从Python入手教JSON，Python的dict字面量和JSON语法长得像，初学者极易混淆两者的规则。

误区“Markdown渲染后看起来都差不多，缩进多一个空格少一个空格没影响。”

正解在列表嵌套、引用块、代码块中，缩进直接决定层级关系。AI输出的列表经常把子项顶到一级，渲染后原有层级全部丢失。Prompt里要明确要求“子项缩进两空格”，校验时也要用正则检查缩进是否符合预期。

为何常见：日常手写Markdown时随意缩进，浏览器渲染不报错，导致大家低估了缩进在结构和可读性上的作用。

误区“Prompt里写了'只输出JSON'，AI就不会输出任何别的东西，这是铁律。”

正解Prompt是“期望”而不是“命令”，大模型可能违背指令，尤其在指令与其他要求冲突时。所以工程上必须在输出侧做兜底：提取代码块、json.loads、Schema校验、失败重试。好的Prompt加可靠的校验，双保险才算稳。

为何常见：刚接触Prompt的人把LLM当成普通API，默认指令100%被执行，忽略了概率模型的不确定性本质。

面试题

Q1. JSON中表示字符串值必须使用什么引号？

单选题 · easy

  • A.双引号字符串← 正确答案
  • B.单引号字符串
  • C.反引号字符串
  • D.不加引号裸写

答案：A。JSON标准规定键名和字符串值必须用双引号。单引号是Python字典的写法，反引号是模板字符串的写法，裸写则会被当作数字或变量名，都不是合法的JSON字符串。

Q2. AI把JSON包在```json代码块里还加了问候语，最稳妥的处理方式是？

单选题 · easy

  • A.提示用户手动删除
  • B.正则提取代码块内容← 正确答案
  • C.放弃JSON改用文本
  • D.用eval执行解析

答案：B。AI用代码块包裹JSON是常见行为，正确做法是用正则匹配``json与``之间的内容再解析。手动删除不现实，eval有代码执行风险，放弃JSON则因噎废食。

Q3. 以下哪些是JSON标准中的合法值？

多选题 · mid

  • A."abc"字符串字面量← 正确答案
  • B.123数字字面量← 正确答案
  • C.undefined未定义值
  • D.null空值字面量← 正确答案

答案：ABD。JSON合法值包括字符串、数字、布尔值、数组、对象和null。undefined是JavaScript的专有类型，不属于JSON标准。A是字符串、B是数字、D是null空值，均合法。

Q4. 一个JSON对象的最后一项后面多了一个逗号，会发生什么？

单选题 · mid

  • A.完全合法的写法
  • B.解析时直接报错← 正确答案
  • C.系统自动将其忽略
  • D.变成普通字符串内容

答案：B。这是“尾逗号”错误。Python的dict允许尾逗号，但JSON标准严格禁止，json.loads会抛出"Expecting property name enclosed in double quotes"之类的异常。应通过正则删除或让AI重写。

Q5. 在Markdown文档中展示一段JSON示例，正确的方式是？

单选题 · easy

  • A.使用加粗强调显示
  • B.放进json代码块中← 正确答案
  • C.用表格单元格存放
  • D.放在引用块中展示

答案：B。三反引号加json语言标记的代码块是最佳选择，它能获得语法高亮，且避免JSON的花括号被Markdown解析器误处理。加粗、表格、引用都不适合展示多行代码。

Q6. JSON Schema中required字段数组的作用是什么？

多选题 · hard

  • A.声明哪些字段必修← 正确答案
  • B.限定整数还是小数
  • C.校验缺字段时报错← 正确答案
  • D.改变字段输出顺序

答案：AC。required数组声明必填字段，校验时只要缺一个就报错，这是它的两个核心作用。限定类型要靠properties里的type，required本身不限定类型，更不会改变输出顺序。

Q7. 解析AI输出时遇到{\"name\": \"x\"}这样的内容，最可能的原因是什么？

单选题 · hard

  • A.AI额外添加了解释
  • B.文本被Markdown污染
  • C.引号转义处理出错← 正确答案
  • D.文件使用了错误编码

答案：C。反斜杠出现在引号前，说明AI在生成时对双引号做了转义，或者经过了双层序列化导致反斜杠残留。这不是解释文字、Markdown污染或编码问题，应先解码或替换多余反斜杠再解析。

Q8. 以下哪些方法能提升AI输出JSON的稳定性？

多选题 · mid

  • A.明确声明字段与类型← 正确答案
  • B.给出一段完整示例← 正确答案
  • C.输出后做解析校验← 正确答案
  • D.让模型自由发挥创作

答案：ABC。字段声明让AI知道表格栏目，示例让AI模仿格式，解析校验作为兜底，三者共同提升稳定性。让模型自由发挥是反效果，它会回到散文输出的老路。

Q9. AI输出因长度限制被截断，JSON缺少右花括号，最合适的处理方式是？

单选题 · extreme

  • A.直接忽略这个坏样本
  • B.检测未闭合后重试← 正确答案
  • C.用eval调用执行代码
  • D.把JSON改存为纯文本

答案：B。截断是长度限制导致的常见问题，检测到花括号未闭合后触发重试或让模型续写是最稳方案。忽略会丢数据，eval有安全风险，改成纯文本就失去了结构化意义。

Q10. 从AI回复中提取出``json和``之间的内容后，还需要做什么才能得到字典？

单选题 · mid

  • A.直接当成字典对象
  • B.调用一次json.loads← 正确答案
  • C.替换掉所有换行符
  • D.转成YAML格式使用

答案：B。提取出的内容只是JSON字符串，不是Python对象。必须调用json.loads才能把它解析成字典。直接当字典用会类型报错，替换换行符不是必须，转YAML则多此一举。