如何让大模型稳定输出 JSON：结构化输出、JSON 模式与提示词写法（OpenAI / Claude）

适用于谁

• 搜「如何让大模型稳定输出 json」「llm 结构化输出」「让模型输出结构化 json」的人；
• 程序里解析模型返回的 JSON 时，隔三差五遇到多了一段解释、少了一个字段、括号没闭合的人。

本文根据 OpenAI 和 Anthropic 的官方文档整理，资料核对于 2026-10-11。Gemini 的做法见站内《Gemini 结构化输出怎么用》。

结论先说

1. 有三个可靠程度不同的层级：只靠提示词要求 < JSON 模式 < 结构化输出。
2. 能用结构化输出就用它。它用你提供的 JSON Schema 约束生成过程，保证结果符合 Schema。OpenAI 的原话是建议「只要可能，就用结构化输出而不是 JSON 模式」。
3. JSON 模式只保证「是合法 JSON」，不保证字段对。
4. 结构化输出也有两种情况会不符合 Schema：模型出于安全原因拒答，以及输出被长度上限截断。这两种都要在代码里判断。
5. Claude 的旧办法「预填充」已经不能用了。官方文档说明，从 Claude 4.6 系列起，在最后一条 assistant 消息里预填内容会返回 400 错误，要改用结构化输出。

三个层级的区别

OpenAI 列出的结构化输出的三个好处：类型可靠，不用再校验和重试格式错误的回答；拒答可以被程序识别；提示词更简单，不需要用很重的措辞去强调格式。

Anthropic 的说法类似：不用结构化输出时，即使提示词写得很仔细，仍可能遇到 JSON 语法错误、缺少必填字段、数据类型不一致；结构化输出通过约束解码来保证结果符合 Schema。

步骤

OpenAI：结构化输出

用官方 SDK 时，最省事的方式是用 Pydantic（Python）或 Zod（JavaScript）定义结构，交给 parse 方法：

python
from openai import OpenAI
from pydantic import BaseModel

client = OpenAI()

class Invoice(BaseModel):
    seller: str
    total: float
    items: list[str]

response = client.responses.parse(
    model="模型名",          # 换成官方模型列表里支持结构化输出的模型
    input=[
        {"role": "developer", "content": "从用户提供的文本里提取发票信息。"},
        {"role": "user", "content": "……发票文字……"},
    ],
    text_format=Invoice,
)
print(response.output_parsed)

官方文档里的几条规则：

• 结构化输出有两种形式：用在函数调用里，或者用作回答的格式。要把模型接到你的工具、函数、数据上，用函数调用；只是想让模型按固定结构回答用户，用回答格式；
• 支持的是 JSON Schema 的一个子集。支持的类型有字符串、数字、布尔、整数、对象、数组、枚举和 anyOf；字符串可以加 pattern 和若干预定义的 format（如 date-time、email、uuid）；
• 官方给 Schema 设计的建议：键名清楚直观；给重要的键写清楚标题和描述；用评测来确定哪种结构最适合你的场景。

JSON 模式是更基础的版本，把格式设为 json_object 即可开启。两条官方的重要提醒：

• 必须在对话里明确要求模型输出 JSON（比如写在系统消息里）。不写的话，模型可能一直输出空白字符直到用完 token 上限；
• 它只保证能解析，不保证符合任何特定结构，需要你自己用校验库检查并重试。

Claude：结构化输出

Anthropic 文档描述的流程是三步：定义 Schema → 放进请求的 output_config.format（type 为 json_schema）→ 从返回的文本内容块里读取符合 Schema 的 JSON。用 SDK 时，推荐的方式是把 Pydantic 模型传给 client.messages.parse()：

python
from anthropic import Anthropic
from pydantic import BaseModel

client = Anthropic()

class ContactInfo(BaseModel):
    name: str
    email: str
    plan_interest: str

response = client.messages.parse(
    model="模型名",          # 换成官方文档列出的支持模型
    max_tokens=1024,
    messages=[{"role": "user", "content": "……邮件正文……"}],
    output_format=ContactInfo,
)
print(response.parsed_output)

Claude 这边同样有两种形式：JSON 输出（output_config.format）和严格工具调用（工具定义里加 strict: true），可以一起用。

官方列出的 Schema 限制，写 Schema 时最容易踩的几条：

• 对象的 additionalProperties 必须设为 false；
• 不支持数值范围约束（minimum、maximum、multipleOf）和字符串长度约束（minLength、maxLength）；
• 不支持递归的 Schema；数组的 minItems 只支持 0 和 1；
• 用了不支持的特性会直接返回 400 错误，并说明原因。

范围和长度这类约束，写进字段的描述里让模型遵守，再在代码里校验。

两家都要处理的例外

即使开了结构化输出，下面两种情况的返回仍可能不符合 Schema：

处理办法：拒答时按业务逻辑提示用户；截断时调高输出上限后重试。

Claude 文档还有两个细节值得知道：一是不保证枚举值的大小写完全一致，比较时最好先统一大小写；二是不要在 Schema 里设一个让模型「写出思考过程」的字段，可能触发拒答，官方建议改成要一段简短的说明。

不能用结构化输出时：提示词写法

在聊天界面里，或者用的模型不支持这个功能时，只能靠提示词。尽量做到这几点：

1. 给出完整的示例，而不是只描述。把期望的 JSON 原样贴出来，字段名、类型、嵌套关系一目了然；
2. 明确边界：「只输出 JSON，不要任何解释，不要用代码块包裹」。Anthropic 文档给出的消除开场白的写法是：直接回答，不要以「以下是……」「根据……」这类话开头；
3. 规定缺失值怎么填：找不到的字段填 null，不要编造，也不要省略键；
4. 用标签包住输出：让模型把 JSON 放在 <json> 标签里，程序只取标签内的内容；
5. 代码里做兜底：解析失败时把报错信息连同原输出发回去让模型修正，最多重试两三次。

示例：

从下面的招聘信息中提取字段，严格按示例的 JSON 结构输出。
只输出 JSON，不要解释，不要用代码块。找不到的字段填 null。

示例：
{"company": "某某科技", "position": "数据分析师", "city": "杭州",
 "salary_min": 15000, "salary_max": 25000, "remote": false}

招聘信息：
<posting>
［粘贴内容］
</posting>

常见问题

Q：结构化输出会让回答质量变差吗？

官方文档没有给出这样的结论。需要注意的是字段顺序：两家文档都说明输出会按 Schema 里定义的顺序生成字段（Claude 另注明必填字段排在可选字段之前）。所以把「依据」这类字段排在「结论」字段前面，通常更合理。

Q：字段很多、嵌套很深可以吗？

两家都对 Schema 的复杂度有上限，具体数字以官方文档为准。能拆成两次调用的，不要硬塞进一个巨大的 Schema。

Q：为什么以前在 Claude 上用的「预填一个左花括号」不灵了？

Anthropic 文档说明：从 Claude 4.6 系列模型起，不再支持在最后一条 assistant 消息里预填充，带预填充的请求会返回 400 错误。官方给的迁移方向就是结构化输出，或者先直接要求模型按结构输出，新模型在这方面已经相当可靠。

Q：国产模型、本地模型怎么办？

看各自的文档是否提供 JSON 模式或结构化输出参数。兼容 OpenAI 接口的服务不一定完整支持，以实际返回为准；不支持时用上面的提示词写法加代码校验。

参考资料

• OpenAI 文档：Structured model outputs — https://developers.openai.com/api/docs/guides/structured-outputs
• Anthropic 文档：Structured outputs — https://platform.claude.com/docs/en/build-with-claude/structured-outputs
• Anthropic 文档：Prompting best practices（Migrating away from prefilled responses）— https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/claude-prompting-best-practices