Agent Skills
返回列表
🤖

大模型结构化输出

AI Agent 更新于 2026.08.30

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 @org-eyw2ohcx/shipshitdev-skills-llm-structured-output。

技能介绍

要解决什么问题

很多 Agent 流水线会在「模型说完话」之后才崩:JSON 多了注释、字段名漂移、枚举写成自然语言,解析器要么吞掉坏数据,要么在后续业务里才报错。这个技能针对的是下游程序必须稳定解析的场景,而不是让人读起来舒服的散文式回答。

技能如何工作

它把结构化输出当成一条工程流水线来设计,而不是在 Prompt 末尾加一句「请输出 JSON」。

  1. 从消费者倒推:先明确下游系统需要的字段、可选项、enum 与长度/数量上限,schema 尽量小。
  2. 把契约写进 Prompt:结构、含义、约束要可执行;能 deterministic 就别用「正文夹杂 JSON」的混合体;自由文本也要用类型、长度或示例框住。
  3. 严格校验:结构化输出在过检之前一律视为不可信输入;枚举、范围、数组长度、嵌套对象该拒就拒。
  4. 恢复路径:接近正确时用校验错误重试;schema 过重就降级;记录坏样本,避免静默类型强转掩盖模型错误。
  5. 可靠性取舍:大任务拆步;必要时把推理与最终机器可读输出分离;键名稳定、歧义低;删掉实际上没用的可选字段。

使用时技能会产出:目标 schema、生成契约、校验与重试方案,以及可靠性风险与边界情况。

适用边界与注意点

  • 面向机器消费:不要把人类说明混进 payload;没有消费者需要时,不要为 JSON 包 Markdown 围栏。
  • 常见翻车包括 schema 过宽、必填项模型无法推断、该用 enum 却用长文本、嵌套结构无示例、解析器过宽导致脏数据进管道。

使用场景

  • 工具调用层需要模型稳定产出函数名与参数对象,供运行时直接反序列化执行
  • 抽取合同、工单等文档字段进 ETL,要求固定键名与枚举值以便入库校验
  • Prompt 契约要驱动后续自动化,需在生成侧约定 schema 并配套解析失败时的重试策略
  • 多步 Agent 把推理与最终 JSON 拆开,最后一步只输出下游服务能严格校验的小型对象

适合人员

  • 维护 LLM 工具链的集成工程师,要解决模型返回 JSON 偶发畸形导致整条链路中断
  • 编写数据抽取 Agent 的后端开发,需要把字段约束、校验与重试写进 Prompt 与管道设计
  • 设计多 Agent 编排的平台工程师,要求每步输出形状可预测且可被严格解析
  • 为客服/运营自动化写 Prompt 契约的 AI 工程师,要避免枚举被写成自然语言类别