输出格式化：让模型吐出可解析结果

模型默认吐出的是一段自由文本，人和模型都懂，但程序不好用。想把 LLM 接进流水线，第一步往往是逼它「按格式说话」：给我 JSON、给我带分隔符的字段、给我严格的两列表格。输出格式化（Output Formatting）就是把模型的返回变成机器可解析的数据。

为什么自由文本不够用

下游代码需要确定的字段名、确定的类型，才能继续处理。如果模型偶尔多写一句寒暄、偶尔把 JSON 写错半个括号，整个解析就会崩。把格式写进提示，相当于和模型约定一份接口契约，让输出稳定、可校验、可重试。

用清晰的结构约定取代口头要求

最有效的是直接给例子（few-shot）展示期望结构，并在提示里写明字段名与类型。对 JSON，要求只输出 JSON、不要外层解释；对多字段，用固定分隔符如 ### 或 YAML。还可以要求模型在不确定时返回特定占位，而不是编造。

请只输出 JSON，不要任何解释：
{"title": "标题", "tags": ["标签1","标签2"], "score": 0.0}
若信息不足，score 填 -1。

解析失败怎么办

即便约定清楚，模型仍可能偶发格式错误。稳健做法是解析前先做清洗（去 ```json 围栏、截掉多余尾巴），解析失败则重试或降级。更进一步的办法是配合函数调用（function calling）或结构化输出能力，让模型在协议层就返回合法结构，而不是靠文本约定硬凑。

小结

输出格式化让模型按约定结构返回结果，是把 LLM 接进自动化系统的关键一步。靠明确的结构示例、字段约束与失败重试，可以把不稳定的自由文本变成可靠的机器输入；若平台支持，优先使用函数调用或原生结构化输出更稳。

参考与延伸阅读

• OpenAI 文档中 function calling 与 structured outputs 章节，说明如何在协议层约束输出结构。已核验。
• 具体字段设计与降级策略以你的业务接口为准，不同下游对必填项的要求不同。待核实。