让 LLM 输出可靠结构化数据
将以下提示词粘贴到你的 AI 对话框中:
请根据 https://skillhub.cn/install/skillhub.md,安装 @kunlungrowth/kunlun-llm-structured-output。
技能介绍
要解决什么问题
大模型很容易「说得对却排不出固定形态」:同一句「帮我 review」有时给段落、有时给表格,字段还今天多明天少。你若要把产出直接贴进 PR 评论、方案文档或排错工单,就得靠反复追问和手工整理,成本高且难做团队对齐。
本技能把常见工程交付物拆成可复用的结构化模板,并用触发词把对话路由到对应能力,让模型按约定栏目填空,而不是即兴发挥。
技能如何工作
资料里定义了六类能力,输入与输出一一对应:
- 代码评审:给
diff/PR,产出检查清单与问题分级(阻断 / 建议 / 可选)。 - 技术方案设计:给需求与约束,产出含背景、目标、选型、风险的方案骨架。
- 调试排错:给报错与上下文,产出定位树、复现步骤与修复验证要点。
- 架构权衡:给场景与规模,产出利弊、适用边界与成本的选型表。
- API 设计:给资源与操作,产出 REST 约定、字段契约与错误码。
- 工程规范:指定语言或框架,产出清单与反模式对照。
工作流层面,文档给出了较完整的两套:代码评审(先读意图 → 正确性 / 安全 / 可维护性 → 分级结论)与线上排错(稳定复现 → 隔离变量 → 证据 → 假设验证 → 修复回归)。另有识别信号表:例如「帮我看看这段代码」走评审、「又报错了」走排错、「用 A 还是 B」走选型。
在「让 LLM 输出可靠结构化数据」这一主题上,用法是:你先写明人群、场景与约束,再选中对应能力,把通用模板项替换成你的实际信息,模型应交付可直接微调的结构化文档。
适用边界
技能提供的是方法论与模板,不接入付费服务,也不处理真实密钥或凭证(仅脱敏示例)。代码评审结论仅供辅助,合并决策仍由负责人承担。多个诉求可组合触发,但若你只想要一句话答案、不需要固定栏目,不必强行套模板。
使用场景
- 合并前拿到一段 diff,需要按阻断/建议/可选分级写进 PR 评论
- 需求已定但约束紧,要输出含背景、选型与风险章节的方案骨架
- 线上告警只有栈与日志片段,要整理定位树、最小复现与验证步骤
- 前后端对齐前,要把资源操作落成字段契约与可机器读的错误码表
适合人员
- 负责 Code Review 的工程师,希望模型对每次 PR 都输出同一套检查清单与分级理由
- 要写技术方案归档的技术负责人,需要把需求与约束填进固定章节而不是散文化叙述
- on-call 工程师处理生产报错,需要把现象整理成可交接的复现步骤与证据链
- 制定团队接口规范的的后端开发,希望 REST 路径、字段与错误码一次对齐成契约文档