如何讓大模型穩定輸出 JSON：結構化輸出、JSON 模式與提示詞寫法（OpenAI / Claude）

適用於誰

• 搜「如何讓大模型穩定輸出 json」「llm 結構化輸出」「讓模型輸出結構化 json」的人；
• 程序裏解析模型返回的 JSON 時，隔三差五遇到多了一段解釋、少了一個字段、括號沒閉合的人。

本文根據 OpenAI 和 Anthropic 的官方文檔整理，資料核對於 2026-10-11。Gemini 的做法見站內《Gemini 結構化輸出怎麼用》。

結論先說

1. 有三個可靠程度不同的層級：只靠提示詞要求 < JSON 模式 < 結構化輸出。
2. 能用結構化輸出就用它。它用你提供的 JSON Schema 約束生成過程，保證結果符合 Schema。OpenAI 的原話是建議「只要可能，就用結構化輸出而不是 JSON 模式」。
3. JSON 模式只保證「是合法 JSON」，不保證字段對。
4. 結構化輸出也有兩種情況會不符合 Schema：模型出於安全原因拒答，以及輸出被長度上限截斷。這兩種都要在代碼裏判斷。
5. Claude 的舊辦法「預填充」已經不能用了。官方文檔說明，從 Claude 4.6 系列起，在最後一條 assistant 消息裏預填內容會返回 400 錯誤，要改用結構化輸出。

三個層級的區別

OpenAI 列出的結構化輸出的三個好處：類型可靠，不用再校驗和重試格式錯誤的回答；拒答可以被程序識別；提示詞更簡單，不需要用很重的措辭去強調格式。

Anthropic 的說法類似：不用結構化輸出時，即使提示詞寫得很仔細，仍可能遇到 JSON 語法錯誤、缺少必填字段、數據類型不一致；結構化輸出通過約束解碼來保證結果符合 Schema。

步驟

OpenAI：結構化輸出

用官方 SDK 時，最省事的方式是用 Pydantic（Python）或 Zod（JavaScript）定義結構，交給 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",          # 換成官方模型列表裏支持結構化輸出的模型
    input=[
        {"role": "developer", "content": "從用戶提供的文本里提取發票資料。"},
        {"role": "user", "content": "……發票文字……"},
    ],
    text_format=Invoice,
)
print(response.output_parsed)

官方文檔裏的幾條規則：

• 結構化輸出有兩種形式：用在函數調用裏，或者用作回答的格式。要把模型接到你的工具、函數、數據上，用函數調用；只是想讓模型按固定結構回答用戶，用回答格式；
• 支持的是 JSON Schema 的一個子集。支持的類型有字符串、數字、布爾、整數、對象、數組、枚舉和 anyOf；字符串可以加 pattern 和若干預定義的 format（如 date-time、email、uuid）；
• 官方給 Schema 設計的建議：鍵名清楚直觀；給重要的鍵寫清楚標題和描述；用評測來確定哪種結構最適合你的場景。

JSON 模式是更基礎的版本，把格式設為 json_object 即可開啟。兩條官方的重要提醒：

• 必須在對話裏明確要求模型輸出 JSON（比如寫在系統消息裏）。不寫的話，模型可能一直輸出空白字符直到用完 token 上限；
• 它只保證能解析，不保證符合任何特定結構，需要你自己用校驗庫檢查並重試。

Claude：結構化輸出

Anthropic 文檔描述的流程是三步：定義 Schema → 放進請求的 output_config.format（type 為 json_schema）→ 從返回的文本內容塊裏讀取符合 Schema 的 JSON。用 SDK 時，推薦的方式是把 Pydantic 模型傳給 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",          # 換成官方文檔列出的支持模型
    max_tokens=1024,
    messages=[{"role": "user", "content": "……電郵正文……"}],
    output_format=ContactInfo,
)
print(response.parsed_output)

Claude 這邊同樣有兩種形式：JSON 輸出（output_config.format）和嚴格工具調用（工具定義裏加 strict: true），可以一起用。

官方列出的 Schema 限制，寫 Schema 時最容易踩的幾條：

• 對象的 additionalProperties 必須設為 false；
• 不支持數值範圍約束（minimum、maximum、multipleOf）和字符串長度約束（minLength、maxLength）；
• 不支持遞歸的 Schema；數組的 minItems 只支持 0 和 1；
• 用了不支持的特性會直接返回 400 錯誤，並說明原因。

範圍和長度這類約束，寫進字段的描述裏讓模型遵守，再在代碼裏校驗。

兩家都要處理的例外

即使開了結構化輸出，下面兩種情況的返回仍可能不符合 Schema：

處理辦法：拒答時按業務邏輯提示用戶；截斷時調高輸出上限後重試。

Claude 文檔還有兩個細節值得知道：一是不保證枚舉值的大小寫完全一致，比較時最好先統一大小寫；二是不要在 Schema 裏設一個讓模型「寫出思考過程」的字段，可能觸發拒答，官方建議改成要一段簡短的說明。

不能用結構化輸出時：提示詞寫法

在聊天介面裏，或者用的模型不支持這個功能時，只能靠提示詞。盡量做到這幾點：

1. 給出完整的示例，而不是隻描述。把期望的 JSON 原樣貼出來，字段名、類型、嵌套關係一目了然；
2. 明確邊界：「只輸出 JSON，不要任何解釋，不要用代碼塊包裹」。Anthropic 文檔給出的消除開場白的寫法是：直接回答，不要以「以下是……」「根據……」這類話開頭；
3. 規定缺失值怎麼填：找不到的字段填 null，不要編造，也不要省略鍵；
4. 用標籤包住輸出：讓模型把 JSON 放在 <json> 標籤裏，程序只取標籤內的內容；
5. 代碼裏做兜底：解析失敗時把報錯訊息連同原輸出發回去讓模型修正，最多重試兩三次。

示例：

從下面的招聘資訊中提取字段，嚴格按示例的 JSON 結構輸出。
只輸出 JSON，不要解釋，不要用代碼塊。找不到的字段填 null。

示例：
{"company": "某某科技", "position": "數據分析師", "city": "杭州",
 "salary_min": 15000, "salary_max": 25000, "remote": false}

招聘資訊：
<posting>
［粘貼內容］
</posting>

常見問題

Q：結構化輸出會讓回答質素變差嗎？

官方文檔沒有給出這樣的結論。需要注意的是字段順序：兩家文檔都說明輸出會按 Schema 裏定義的順序生成字段（Claude 另註明必填字段排在可選字段之前）。所以把「依據」這類字段排在「結論」字段前面，通常更合理。

Q：字段很多、嵌套很深可以嗎？

兩家都對 Schema 的複雜度有上限，具體數字以官方文檔為準。能拆成兩次調用的，不要硬塞進一個巨大的 Schema。

Q：為什麼以前在 Claude 上用的「預填一個左花括號」不靈了？

Anthropic 文檔說明：從 Claude 4.6 系列模型起，不再支持在最後一條 assistant 消息裏預填充，帶預填充的請求會返回 400 錯誤。官方給的遷移方向就是結構化輸出，或者先直接要求模型按結構輸出，新模型在這方面已經相當可靠。

Q：國產模型、本地模型怎麼辦？

看各自的文檔是否提供 JSON 模式或結構化輸出參數。兼容 OpenAI 接口的服務不一定完整支持，以實際返回為準；不支持時用上面的提示詞寫法加代碼校驗。

參考資料

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