输出约束：给 AI 递一张“订单卡”

可视化演示

动态演示Prompt输出约束方法的核心机制，通过入门/进阶/实战/优化四种模式展示关键概念与交互流程。

输出约束原理

下订单时，厨师最怕的不是菜难做，而是客人只说一句“看着办”。一张合格的订单卡必须写清楚“几道菜、什么忌口、上菜顺序”，AI 也一样。光说“帮我写个回复”，它只能靠猜；输出约束就是在 Prompt 里塞进一张“规则订单卡”，把模糊的期待变成可执行的要求。

技术上，大语言模型每生成一个字都在“猜”下一个最合理的词元。约束并不改变模型本身，而是像在它面前立一块路标，让它在概率分布的岔路口优先选择符合规则的那条路。你可以把约束集合记为 $\mathcal{C}$，模型输出记为 $y$，输入记为 $x$。约束生效时，模型实际采样的概率就会从原始分布切换成条件分布，不在约束集合内的输出被直接压成 0。

这个条件概率可以写成下面的形式：分子是模型原始概率乘以一个“合规开关”，分母负责把所有合规输出重新归一化。

所以“订单卡”不是玄学，它实际上重新分配了 AI 的“做菜概率”：被规则禁止的菜直接划掉，剩下的菜重新计算比例。理解这一点，你就理解了输出约束的一切。

长度限制方法

订单卡上最常见的规则是“量”：三道菜、每份 200 克。AI 的输出长度也一样，常用两种写法——一种是字数约束，比如“用不超过 100 个字回复”；另一种是结构约束，比如“只输出 3 个要点，每点一句话”。这两者可以同时使用，订单卡上写“三菜一汤”就是既限数量又限种类。

写法上有几个经验值得记住。第一，把上限写具体数字，不要写“简短点”这种模糊词。第二，模型对“字”的感知不如对 Token 精确。Token 是模型处理文本的最小单位，中文 1 个汉字约等于 1 个 Token（实际在 0.8 到 1.5 之间浮动），英文则大约 3 到 4 个字符折算 1 个 Token。第三，为了安全起见，目标字数最好留出 20% 到 30% 的余量：如果业务要求“不超过 200 字”，提示里写“150 字以内”更稳妥。

长度约束是否达标，可以用一个归一化误差来度量——实际长度与目标长度差多远，换算成相对比例。

订单卡上写“每道菜 200 克”，上桌后拿秤一称，误差越小越好——$E_L$ 就是这把“后厨电子秤”。把它集成到自动校验脚本里，超长输出就能被及时发现并触发重写。

禁止内容指定

订单卡上最醒目的是“忌口”栏：不要香菜、不要辣、不要海鲜。AI 对话里的忌口就是禁止内容：不能出现的词、不能触碰的领域、不能使用的语气。初学者常写“请不要回答得太专业”，这种模糊否定效果很差，模型根本不知道红线画在哪里。

更有效的做法是“显式清单 + 正面替代”。显式清单是把禁用词一条条列出来，比如“禁止出现手机号、身份证号、银行卡号”；正面替代是告诉模型正确做法，比如“涉及联系方式时统一写'请咨询客服'”。两者结合，模型既知道不能碰什么，也知道碰了该往哪躲。

定义一个违禁词集合 $\mathcal{B}$，输出中的每个词 $w$ 是否踩雷，可以用一个命中函数来判断。实际工程里通常配合后处理过滤：Prompt 拦一遍，正则和词表再兜底一遍。

就像后厨备菜时把香菜单独装盘，AI 生成时也会刻意绕开你标红的词——但前提是，“避雷清单”要写得具体可查，它才绕得开。

回答范围限定

订单卡还可以规定“做什么类型的菜”：只做前菜和甜品，主食一概不碰。对应到 AI 身上，这就是回答范围限定——只允许模型在指定主题内作答，其他话题一律不接。范围限定是三件套：主题白名单、格式约定、分点结构。

主题白名单最直接，写法是“只回答退款、换货、物流三类问题，超出范围回复'无法处理'”。格式约定是限定输出结构，比如“用 JSON 输出，字段为 result 和 reason”，方便程序解析。分点结构则限定了回答的组织方式，比如“分三个点，每点不超过一行”，让模型不在某个点上无限发散。

范围限定的本质是收缩输出空间。设原始输出集合为 $\mathcal{Y}$，被排除的内容为 $\mathcal{Y}_{\text{排除}}$，约束后剩下的空间 $\mathcal{Y}'$ 就是两者的差集。空间越小，模型跑偏的概率越低。

菜单太大，厨师容易手忙脚乱；可选项缩小到三样，出错的概率自然直线下降。写 Prompt 时多花十秒钟划清边界，比事后清理跑偏内容省力得多。

失败原因分析

再好的订单卡也有被厨师看走眼的时候：字迹潦草、要求自相矛盾、或是被压在菜单堆里没人注意。输出约束失效也一样，往往不是模型“笨”，而是 Prompt 本身出了问题。

最常见的四个原因：一是指令模糊，“简短点”“专业点”没有量化标准；二是位置不当，约束埋在超长上下文的中间，模型的注意力早就被前后内容稀释了；三是冲突指令，“请详细展开”和“不超过 50 字”同时出现，模型无法同时满足；四是长度理解偏差，模型对“字”的统计方式与人类不一致，导致字数限制经常被突破。

要判断问题有多严重，先定义失败率：在所有测试输出中，违反约束的比例是多少。这个指标能客观反映订单卡的有效性，也是后续优化前必须采集的基线数据。

订单卡被退回来，不一定是厨师手艺差，多半是单子本身没写好。遇到失败率偏高，别急着怪模型，先回头逐条检查 Prompt——下一节就是教你如何把订单卡重写到厨师挑不出毛病。

解决对策方案

厨师长接到退单后不会只骂厨师，而是会改进后厨流程：把要求加粗放大、贴一张成品照片、上菜前先过秤检查。对应到 Prompt 工程，就是四招组合拳：结构强化、示例驱动、迭代校验、约束分层。

结构强化是指把约束条件集中放到 Prompt 末尾，用编号列表逐条列出，比如“1. 不超过 100 字；2. 禁止出现手机号；3. 只输出 JSON”。示例驱动是给模型一个完全符合约束的输入输出样例，让它照着这个“标准菜”模仿。迭代校验是在代码层写检查脚本，输出不满足约束就自动重新生成，最多重试三次。约束分层则是按业务重要性给约束排序：关键约束必须满足，次要约束放宽容忍度，避免互相打架。

多条约束同时生效时，可以用一个加权损失函数来评估输出质量。长度误差、违禁词命中、范围越界这三类问题，按业务重要程度分配权重，加权求和后得到综合得分——分越低，说明输出越符合订单卡。

订单卡迭代过几轮，后厨出品就稳了。这也是 Prompt 工程最核心的日常：写约束、测失败、改约束，循环往复，直到失败率降到可接受的范围。

应用场景落地

订单卡最终要挂到快餐店的窗口上，让每个档口都按规矩出餐。输出约束在真实业务中有四个典型落点：客服自动回复、数据脱敏、营销文案生成、内容审核。

客服回复靠“范围限定 + 长度限制”：Prompt 里写明“只输出退款、换货、物流三类中的一个词”，再配一句“不超过 20 字”的说明，客户的意图就能被精准分类。数据脱敏靠“禁止内容”：在 Prompt 中列出手机号、身份证号、银行卡号为违禁项，并要求命中后用星号替代，后处理再做一道正则校验。营销文案生成则把“长度限制 + 语气规范”结合：要求“150 字以内、禁止使用'最'和'第一'等极限词、结尾附一句行动号召”。内容审核场景通常同时使用主题白名单和违禁词黑名单，双重闸门把关。

落地时建议使用统一的订单卡模板：角色定义 + 业务目标 + 编号约束列表 + 输出格式 + 示例 + 兜底语句。兜底语句很重要，比如“超出上述范围时，请回复'无法处理'”。它能保证模型在拿不准的时候给出一个安全的默认答案，而不是硬着头皮自由发挥。

一张好订单卡从“能用”到“好用”，靠的是持续观察后厨出品的稳定度。把输出约束当成系统工程来打磨，AI 应用才能真正从 Demo 走向生产环境。

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-import re class ConstraintChecker:    def __init__(self, max_len=200, min_len=10, banned_words=None, must_include=None):        self.max_len = max_len        self.min_len = min_len        self.banned_words = banned_words or []        self.must_include = must_include or []        self.report = {}     def length_check(self, text):        n = len(text)        ok = self.min_len <= n <= self.max_len        self.report['length'] = n        self.report['length_ok'] = ok        return ok     def banned_check(self, text):        hit = [w for w in self.banned_words if w in text]        self.report['banned_hits'] = hit        return len(hit) == 0     def include_check(self, text):        missing = [w for w in self.must_include if w not in text]        self.report['missing'] = missing        return len(missing) == 0     def overall_score(self, text):        checks = [            ('length', self.length_check(text)),            ('banned', self.banned_check(text)),            ('include', self.include_check(text)),        ]        passed = sum(1 for _, ok in checks if ok)        self.report['pass_rate'] = passed / len(checks)        return self.report['pass_rate'] def main():    checker = ConstraintChecker(        max_len=120,        min_len=10,        banned_words=['内部', '保密'],        must_include=['下周'],    )    sample = '本次活动的公开时间是下周三上午十点。'    print('pass rate:', checker.overall_score(sample))    for k, v in checker.report.items():        print(k, '=', v) if __name__ == '__main__':    main()

1. def length_check(self, text):长度校验入口，统计字符数并与上下限对比，结果记入 report。
2. hit = [w for w in self.banned_words if w in text]用列表推导找出文本中命中的所有违禁词，是黑名单过滤的核心一行。
3. missing = [w for w in self.must_include if w not in text]反向检查必含词，确保关键要素没有被模型漏掉。
4. self.report['pass_rate'] = passed / len(checks)汇总三项约束的通过率，作为输出是否合规的量化指标。
5. checker = ConstraintChecker(max_len=120, banned_words=['内部', '保密'])构造校验器实例，长度上限 120 字，禁用词两个。
6. print('pass rate:', checker.overall_score(sample))对样例文本执行全部校验并输出评分。

常见误区

面试题