结构化输出：让模型稳定返回 JSON

做应用时，模型的输出往往要交给程序：存数据库、填表单、调别的接口。这时你需要的是格式固定的 JSON，而不是一段自然语言。

三种做法

做法	写法	可靠程度
提示词里要求	「请只返回 JSON，格式如下……」	大多数时候可以，但偶尔会多出解释文字、用错字段名
JSON 模式	`response_format: {"type": "json_object"}`	保证是合法 JSON，但字段由模型自己决定
JSON Schema	`response_format: {"type": "json_schema", ...}`	按你给的结构生成，字段名和类型都固定

能用 JSON Schema 就用 JSON Schema。

写一个 Schema

例子：从一段简历文字里抽出姓名、工作年限和技能。

json

{
  "name": "resume",
  "strict": true,
  "schema": {
    "type": "object",
    "properties": {
      "name": { "type": "string", "description": "姓名" },
      "years": { "type": "integer", "description": "工作年限" },
      "skills": { "type": "array", "items": { "type": "string" } }
    },
    "required": ["name", "years", "skills"],
    "additionalProperties": false
  }
}

strict: true 时，模型严格按这个结构输出：字段不多也不少，类型一致。
严格模式下，所有字段都要写进 required，并且 additionalProperties: false。想表达「可以没有」，就把类型写成 ["string", "null"]。
description 会被模型看到，写清楚每个字段的含义，抽取会更准。

动手：抽取简历信息

改改下面这段简历再运行，看输出的结构是不是一直不变：

▶ 动手试试

系统提示词（这次请求一起发送，点开查看）

从用户给的简历文字里抽取信息。

登录后运行登录 HiveGPT 后每天有免费运行次数

示例输出（之前运行的结果）

{
  "name": "张三",
  "years": 6,
  "skills": ["Go", "Redis", "Kafka", "PostgreSQL", "大模型应用开发"]
}

对应的代码：

python

import json, os
from openai import OpenAI

client = OpenAI(base_url="https://hivegpt.cn/v1", api_key=os.environ["HIVEGPT_API_KEY"])

RESUME_SCHEMA = {
    "name": "resume",
    "strict": True,
    "schema": {
        "type": "object",
        "properties": {
            "name": {"type": "string"},
            "years": {"type": "integer"},
            "skills": {"type": "array", "items": {"type": "string"}},
        },
        "required": ["name", "years", "skills"],
        "additionalProperties": False,
    },
}

resp = client.chat.completions.create(
    model="gpt-5.5",
    messages=[
        {"role": "system", "content": "从用户给的简历文字里抽取信息。"},
        {"role": "user", "content": "张三，2019 年毕业后一直做后端开发……"},
    ],
    response_format={"type": "json_schema", "json_schema": RESUME_SCHEMA},
)
data = json.loads(resp.choices[0].message.content)
print(data["name"], data["years"], data["skills"])

结果还是要校验

即使用了 Schema，下面几种情况仍然会发生，代码里要处理：

被截断：输出太长触发了长度上限，finish_reason 是 length，JSON 不完整。办法：调大输出上限，或让抽取的内容少一点。
拒答：内容触发了安全策略，模型可能返回拒绝说明，而不是你的 JSON。
值不合理：结构对了，但内容不对，比如年限算错。这需要业务规则来校验。

一个稳妥的写法：

python

def extract(text, retries=1):
    for attempt in range(retries + 1):
        resp = client.chat.completions.create(...)  # 同上
        choice = resp.choices[0]
        if choice.finish_reason == "stop":
            try:
                data = json.loads(choice.message.content)
                if 0 <= data["years"] <= 60:   # 业务规则
                    return data
            except (json.JSONDecodeError, KeyError, TypeError):
                pass
    return None  # 交给人工或者走降级逻辑

小结

要给程序用的输出，用 response_format 加 JSON Schema，不要只靠提示词。
严格模式：全部字段进 required，additionalProperties: false。
依然要检查 finish_reason、解析失败和业务规则，失败时重试一次或降级。

下一课更进一步：不只是「按格式回答」，而是让模型决定调用你的哪个函数、传什么参数，这就是 Function Calling。

结构化输出：让模型稳定返回 JSON

三种做法 ​

写一个 Schema ​

动手：抽取简历信息 ​

结果还是要校验 ​

小结 ​

三种做法

写一个 Schema

动手：抽取简历信息

结果还是要校验

小结