尧图网站建设 
你是不是也有过这样的经历让大模型帮忙整理一段简历信息结果它给你输出一大段带小标题、加粗、列表混排的“精美文案”你反而要花更多时间去字段里捞数据如果大模型能直接返回一份干净的 JSON任务就简单多了——程序可以直接读取、校验、落库前端也能直接渲染。这正是 JSON 结构化输出的价值。本文将围绕“JSON 结构化输出”这个核心主题展开先讲清为什么需要结构化输出再介绍 JSON 的基础语法和常见误区接着剖析大模型产生杂乱输出的原因最后用一个完整的“简历助手”项目演示从定义数据结构、构造 Prompt、调用大模型到解析校验和生成标准简历文案的全流程。文章适合以下读者正在用大模型 API 做应用开发的工程师。被大模型“自由发挥”式输出困扰的开发者。想系统学习 JSON 与结构化数据处理的初学者。准备做 AI 项目实战、毕设或简历项目的新手。学完之后你能掌握一套从“自由文本”到“标准 JSON”再到“业务数据”的完整处理思路并且可以把简历助手扩展成招聘匹配、档案整理、信息抽取等更多工具。1. 为什么需要结构化输出1.1 非结构化输出的痛点大模型默认的输出方式是“自然语言”。自然语言天生适合人类阅读却不适合程序解析。假设你让大模型帮用户提取简历里的工作经历模型可能返回这样的内容张三2019年入职北京某科技公司担任后端开发工程师期间负责电商系统订单模块的设计与开发使用Java、Spring Boot等技术栈带领3人小组项目上线后系统QPS提升约30%2021年晋升为高级工程师2022年离职。这段文本信息密度很高但如果你的目标是“把这份工作经历存入数据库”就会遇到几个麻烦没有统一的字段边界。“入职时间”“离职时间”“职责描述”都混在一句话里。计算机无法直接读取。要提取“公司名称”只能靠正则或再次调用模型。格式不稳定。换个提问方式模型输出的措辞和结构可能完全不同。在业务系统中我们更希望大模型返回这样的内容{ name: 张三, jobs: [ { company: 北京某科技公司, start_date: 2019-07, end_date: 2022-06, title: 高级后端开发工程师, description: 负责电商系统订单模块设计与开发使用Java、Spring Boot等技术栈带领3人小组项目上线后系统QPS提升约30%。 } ] }两相对比结构化数据的优势一目了然字段明确、程序可解析、前后端可复用、校验成本低。1.2 结构化输出解决什么问题结构化输出本质上是给大模型的“自由发挥”套上一层约束。它解决的核心问题包括数据可解析性。程序收到 JSON 后可以直接用json.loads()等 API 转成对象不需要写复杂的正则表达式。数据一致性。相同的字段在不同记录中拥有相同的结构便于汇总和比较。数据可校验性。可以配合 JSON Schema 对模型输出进行自动化校验不满足要求的字段直接重新生成。业务集成效率。结构化数据可以直接存入数据库或传给下游接口完成更复杂的自动化流程。1.3 JSON 不是唯一的结构化方案常见的大模型结构化输出格式有 JSON、XML 和 Markdown。JSON 是目前最主流的选择因为前端 JavaScript 原生支持 JSON 解析。后端 Java、Python、Go 等语言都有成熟的 JSON 库。JSON 结构轻量阅读性和机器可读性兼具。大部分大模型 API 都提供了 JSON 模式或结构化输出能力。XML 在文档型数据场景也有优势但解析成本更高信息密度更低。Markdown 更适合展示型文本不适合做数据交换。因此本文以 JSON 作为主要讨论对象。2. JSON 基础速览在进入实战前先快速复习 JSON 的核心语法。如果你已经很熟悉可以直接跳到第 3 节。2.1 JSON 的六种数据类型JSONJavaScript Object NotationJavaScript 对象简谱是一种轻量级的数据交换格式。它一共支持六种数据类型数据类型示例说明字符串name: 张三必须用双引号包裹数字age: 26整数或浮点数布尔值is_active: true只能是小写 true/false数组skills: [Java, Python]有序列表值类型可以混合对象address: {city: 北京}无序键值对集合空值summary: null表示空一个完整的 JSON 对象可以嵌套多种数据类型例如{ basic_info: { name: 张三, age: 26, email: zhangsanexample.com, is_full_time: true }, skills: [Java, Python, SQL], work_experience: [ { company: 某科技有限公司, years: 2 } ] }2.2 JSON 常见语法误区新手在写 JSON 时最容易犯几个错误误用单引号。JSON 字符串必须使用双引号不能写成{name: 张三}。多了尾逗号。数组或对象最后一个元素后面不能加逗号。注释混入 JSON。标准 JSON 不支持注释像// 这是注释这样的内容会导致解析失败。布尔值大小写错误。JSON 里布尔值必须是小写true/false。数字带前导零。例如age: 08是非法的。如果你经常手写 JSON建议在 IDE 中安装 JSON 格式化插件或者用在线 JSON 校验工具检查语法。2.3 为什么 JSON 适合与大模型搭配使用大模型的训练数据中有大量代码和配置文件JSON 是其中最常见的格式之一因此模型对 JSON 的生成能力相对较强。加上 JSON 结构本身自带明确的键名即使模型输出的内容稍微变化程序也能通过键名提取对应值容错率比纯文本高很多。举个简单的例子下面两段 JSON 虽然字段顺序不同但解析结果完全等价{name: 张三, age: 26}{age: 26, name: 张三}这种无序性让模型在生成时更容易命中“正确结构”而不是必须记住固定的顺序。3. 大模型非结构化输出的原因与风险3.1 模型为什么总爱“自由发挥”大模型的本质是“文本生成器”。给定一段输入Prompt它会根据历史数据分布预测下一个 token文本单元。这种设计使得模型天然倾向于生成流畅自然的文本而不是严格符合结构的“数据”。如果你不约束它它很有可能会在 JSON 前后添加解释性文字“好的以下是你要的 JSON”。使用 Markdown 代码块包裹 JSON。漏掉某个字段或把字段名改成近义词。在描述型字段里混入大量“仅供参考”的废话。这些行为对聊天场景很友好但对程序化调用是灾难。3.2 解析杂乱输出的成本假设大模型返回了这样的内容好的根据你的描述我给你整理了一份简历 { 姓名: 张三, // 注意这里用了中文键名 age: 26, skills: [Java, Python,], } 希望这份简历能帮到你程序要把它变成标准 JSON需要经过以下步骤从文本中截取 JSON 片段。去掉 Markdown 代码块标记。删除注释。修复尾逗号。把中文键名统一成英文键名。每一步都可能出错。如果模型输出结构不稳定你甚至需要写一套“解析容错层”这会让项目复杂度急剧上升。3.3 不安全解析会带来什么隐患除了格式问题如果直接把大模型输出的内容当 JSON 解析还可能出现数据类型错误、字段缺失、注入风险等问题。例如年龄字段可能是字符串26而不是数字26。邮箱字段可能是null但程序没有做空值处理。恶意 Prompt 可能诱导模型输出带有额外字段的 JSON绕过下游的数据校验逻辑。因此实战中必须做到“先校验、再使用”而不是盲目相信模型输出。4. 结构化输出的主流实现方案4.1 方案一Prompt 约束 JSON 示例这是最基础的做法。在 Prompt 中明确告诉模型“只输出 JSON”并在 Prompt 中给出期望的结构示例。适合没有平台级 JSON 模式支持的大模型接口。请根据用户提供的简历信息输出一个 JSON 对象。 JSON 结构如下 { name: string, age: number, skills: [string] } 不要输出任何解释或额外内容。这种方法的优点是通用缺点是模型有时仍不听话需要额外解析和重试。4.2 方案二平台 JSON 模式OpenAI、DeepSeek、Ollama 等大模型服务通常提供response_format参数允许用户在请求中声明json_object或传入 JSON Schema。例如在 OpenAI 兼容接口中{ response_format: {type: json_object} }部分平台还支持{ response_format: { type: json_schema, json_schema: {name: Resume, schema: {...}} } }这种方式能将“模型不输出 JSON”的概率降到很低但仍需注意字段校验。4.3 方案三函数调用 / 工具调用OpenAI 等平台支持 function calling。开发者可以定义一个“工具函数”让模型把输出包装成该函数入参对象。模型在回答时会自动生成符合函数参数结构的 JSON。{ name: extract_resume, description: 提取简历信息, parameters: { type: object, properties: { name: {type: string}, jobs: {type: array} } } }这种方案更加工程化适合构建 Agent 类应用。4.4 方案四本地后处理纠偏如果模型服务不支持 JSON 模式或者仍偶尔返回夹杂文本的内容可以在代码里做一层后处理import json import re def extract_json(text: str) - dict: 从模型输出中提取 JSON 对象。 text text.strip() # 去掉 Markdown 代码块标记 text re.sub(r^(?:json)?\s*|\s*$, , text).strip() start text.find({) end text.rfind(}) if start -1 or end -1: raise ValueError(未找到 JSON 对象) return json.loads(text[start:end 1])后处理也有局限比如尾逗号、单引号、注释等问题仍然需要额外处理。建议用第三方库如json5或自定义修复逻辑。5. 项目实战简历助手——需求分析与项目准备前面把概念讲清楚了下面进入完整实战。我们的目标是做一个“简历助手”用户输入一段自由描述程序调用大模型输出标准的简历 JSON并最终生成一份格式化的简历文案。5.1 项目需求拆分简历助手需要完成以下功能接收用户输入的原始简历描述。调用大模型接口要求模型输出符合指定 JSON Schema 的简历数据。解析大模型返回的 JSON并进行字段校验。将解析后的数据保存到本地 JSON 文件。根据数据生成一段 Markdown 格式的简历文案方便直接复制使用。从工程角度这个项目可以拆成四个模块数据模型模块定义简历结构。大模型调用模块拼接 Prompt、调用接口、接收结果。解析校验模块解析 JSON、检查字段。文案生成模块将结构化数据渲染成文案。5.2 技术栈与运行环境本文示例以 Python 为例主要使用以下组件Python 3.9。requests 库用于调用兼容 OpenAI 协议的大模型接口。jsonschema 库可选用于更规范的 JSON 校验。大模型接口可以使用 OpenAI、DeepSeek、Ollama 等支持 OpenAI 兼容格式的服务。版本方面需要提醒一点不同大模型服务的 API 参数可能有差异比如response_format的支持程度不同。本文的代码会兼容“支持 JSON 模式”和“不支持 JSON 模式”两种场景你可以根据实际服务调整。如果你没有 API Key可以用 Ollama 本地部署一个小模型也可以先直接跳过调用步骤用模拟数据进行项目流程调试。5.3 创建项目结构终端执行mkdir resume-assistant cd resume-assistant mkdir data output目录结构如下resume-assistant/ ├── data/ # 存放输入文本和中间 JSON ├── output/ # 存放最终生成的简历 JSON 和文案 ├── config.py # 配置项 ├── models.py # 数据结构定义 ├── llm_client.py # 大模型调用模块 ├── parser.py # JSON 解析校验模块 ├── renderer.py # 简历文案渲染模块 └── main.py # 主入口5.4 安装依赖在项目根目录执行pip install requests jsonschemarequests用于发送 HTTP 请求jsonschema用于校验 JSON 结构。如果你使用的是 OpenAI 官方 SDK也可以换成openai库但为了减少依赖和适配不同服务本文使用requests直接调用 OpenAI 兼容接口这样更通用。6. 简历助手核心代码实现下面逐模块编写代码。完整代码可以直接复制运行但需要根据你的实际大模型服务地址和密钥进行配置。6.1 配置模块 config.py# config.py import os # 大模型服务配置 # 以 OpenAI 兼容接口为例。使用 Ollama 时可以改为 http://localhost:11434/v1 LLM_BASE_URL os.getenv(LLM_BASE_URL, https://api.openai.com/v1) LLM_API_KEY os.getenv(LLM_API_KEY, your-api-key) LLM_MODEL os.getenv(LLM_MODEL, gpt-4o-mini) # 是否使用 JSON 模式。部分服务不支持请设置为 False LLM_JSON_MODE os.getenv(LLM_JSON_MODE, true).lower() true # 输入输出目录 INPUT_DIR data OUTPUT_DIR output这里使用环境变量管理密钥避免把 API Key 硬编码在代码里也更符合安全实践。如果你用的是本地 OllamaLLM_BASE_URL填http://localhost:11434/v1API Key 填任意非空字符串即可。6.2 数据模型 models.py我们定义简历结构。这里采用类属性的方式编写方便 IDE 自动补全和后续扩展# models.py from dataclasses import dataclass, field from typing import List, Optional dataclass class Education: school: Optional[str] None degree: Optional[str] None major: Optional[str] None start_date: Optional[str] None end_date: Optional[str] None dataclass class WorkExperience: company: Optional[str] None title: Optional[str] None start_date: Optional[str] None end_date: Optional[str] None description: Optional[str] None dataclass class Resume: name: Optional[str] None age: Optional[int] None email: Optional[str] None phone: Optional[str] None skills: List[str] field(default_factorylist) education: List[Education] field(default_factorylist) work_experience: List[WorkExperience] field(default_factorylist) summary: Optional[str] None同时我们把 JSON Schema 单独定义为常量后续 Prompt 和校验都会用到# models.py 追加内容 RESUME_SCHEMA { type: object, properties: { name: {type: string}, age: {type: integer}, email: {type: string}, phone: {type: string}, skills: { type: array, items: {type: string} }, education: { type: array, items: { type: object, properties: { school: {type: string}, degree: {type: string}, major: {type: string}, start_date: {type: string}, end_date: {type: string} } } }, work_experience: { type: array, items: { type: object, properties: { company: {type: string}, title: {type: string}, start_date: {type: string}, end_date: {type: string}, description: {type: string} } } }, summary: {type: string} }, required: [name, skills] }required字段表示模型输出必须包含name和skills其他字段可为空。这样既能约束关键信息又不会因为信息缺失导致整次生成失败。6.3 大模型调用模块 llm_client.py这一部分是核心。需要处理两种场景使用 JSON 模式和不使用 JSON 模式。代码如下# llm_client.py import json import requests from config import LLM_BASE_URL, LLM_API_KEY, LLM_MODEL, LLM_JSON_MODE from models import RESUME_SCHEMA def build_prompt(user_input: str) - str: 根据用户输入构造 Prompt。 schema_str json.dumps(RESUME_SCHEMA, ensure_asciiFalse, indent2) prompt f 你是一个简历信息提取助手。请根据用户提供的原始简历描述提取结构化信息。 具体要求 1. 只输出一个 JSON 对象不要输出任何解释、问候或 Markdown 代码块标记。 2. JSON 必须符合以下 JSON Schema {schema_str} 字段说明 - name: 姓名 - age: 年龄数字类型 - email: 邮箱 - phone: 电话 - skills: 技能列表数组类型 - education: 教育经历列表每个元素包含 school、degree、major、start_date、end_date - work_experience: 工作经历列表每个元素包含 company、title、start_date、end_date、description - summary: 个人简介 如果原始描述中缺少某个字段请将该字段设为 null对象类型或空数组数组类型不要编造。 用户原始描述 {user_input} return prompt def call_llm(user_input: str) - str: 调用大模型接口返回模型输出的原始文本。 url f{LLM_BASE_URL}/chat/completions headers { Authorization: fBearer {LLM_API_KEY}, Content-Type: application/json } payload { model: LLM_MODEL, messages: [ {role: system, content: 你是一个严谨的数据提取助手严格只输出 JSON。}, {role: user, content: build_prompt(user_input)} ], temperature: 0.2 } # 如果服务支持 JSON 模式则开启。 # 注意不同服务对 response_format 的兼容性不同需按实际服务调整。 if LLM_JSON_MODE: payload[response_format] {type: json_object} resp requests.post(url, headersheaders, jsonpayload, timeout60) resp.raise_for_status() data resp.json() return data[choices][0][message][content]关于temperature数值越小模型输出越稳定更适合提取型任务。这里设置为 0.2不会过分随机也不会呆板到失去概括能力。6.4 解析校验模块 parser.py在实际项目中大模型返回的结果不一定“干干净净”所以解析和校验这一层不能省略。代码如下# parser.py import json import re from typing import Dict, Any from jsonschema import validate, ValidationError from models import RESUME_SCHEMA def extract_json(text: str) - Dict[str, Any]: 从模型输出中提取 JSON 对象。 text text.strip() # 去掉常见的 Markdown 代码块标记 text re.sub(r^(?:json)?\s*|\s*$, , text).strip() # 找到第一个 { 和最后一个 } start text.find({) end text.rfind(}) if start -1 or end -1 or end start: raise ValueError(模型输出中未找到 JSON 对象) json_str text[start:end 1] # 尝试直接解析 try: return json.loads(json_str) except json.JSONDecodeError: # 如果解析失败尝试修复尾逗号 fixed re.sub(r,\s*([}\]]), r\1, json_str) return json.loads(fixed) def validate_resume(data: Dict[str, Any]) - Dict[str, Any]: 校验 JSON 是否符合简历 Schema。 try: validate(instancedata, schemaRESUME_SCHEMA) except ValidationError as e: raise ValueError(f简历 JSON 校验失败: {e.message}) return data6.5 文案渲染模块 renderer.py有了结构化数据我们可以灵活生成各种格式的文案。这里实现一个将简历 JSON 转为 Markdown 文档的函数# renderer.py from typing import Dict, Any def render_markdown(resume: Dict[str, Any]) - str: 将简历 JSON 渲染为 Markdown 文案。 lines [] # 基本信息 name resume.get(name, 未知) lines.append(f# {name} 的简历) lines.append() # 联系方式 contact_parts [] if resume.get(email): contact_parts.append(f邮箱{resume[email]}) if resume.get(phone): contact_parts.append(f电话{resume[phone]}) if contact_parts: lines.append(## 联系方式) lines.append() for part in contact_parts: lines.append(f- {part}) lines.append() # 个人简介 if resume.get(summary): lines.append(## 个人简介) lines.append() lines.append(resume[summary]) lines.append() # 技能 skills resume.get(skills, []) if skills: lines.append(## 技能) lines.append() lines.append(、.join(skills)) lines.append() # 工作经历 work_experience resume.get(work_experience, []) if work_experience: lines.append(## 工作经历) lines.append() for exp in work_experience: company exp.get(company, 未知公司) title exp.get(title, 未知职位) start exp.get(start_date, ) end exp.get(end_date, 至今) date_str f{start} ~ {end} if start else lines.append(f### {title} {company} ({date_str})) if exp.get(description): lines.append() lines.append(exp[description]) lines.append() # 教育经历 education resume.get(education, []) if education: lines.append(## 教育经历) lines.append() for edu in education: school edu.get(school, 未知学校) degree edu.get(degree, ) major edu.get(major, ) start edu.get(start_date, ) end edu.get(end_date, ) date_str f{start} ~ {end} if start else lines.append(f- {school}{degree}{major}{date_str}) lines.append() return \n.join(lines)这种写法把“数据”和“展示”彻底分开后续你想改成 HTML、PDF 或 DOCX只需要新增一个渲染函数即可。6.6 主流程 main.py最后把各个模块串起来# main.py import json import os from config import INPUT_DIR, OUTPUT_DIR from llm_client import call_llm from parser import extract_json, validate_resume from renderer import render_markdown def load_input(filename: str) - str: 加载用户输入的简历描述文本。 path os.path.join(INPUT_DIR, filename) with open(path, r, encodingutf-8) as f: return f.read().strip() def save_json(data: dict, filename: str): 保存 JSON 到输出目录。 os.makedirs(OUTPUT_DIR, exist_okTrue) path os.path.join(OUTPUT_DIR, filename) with open(path, w, encodingutf-8) as f: json.dump(data, f, ensure_asciiFalse, indent2) print(f[INFO] JSON 已保存: {path}) def save_markdown(text: str, filename: str): 保存 Markdown 文案到输出目录。 os.makedirs(OUTPUT_DIR, exist_okTrue) path os.path.join(OUTPUT_DIR, filename) with open(path, w, encodingutf-8) as f: f.write(text) print(f[INFO] Markdown 已保存: {path}) def main(): # 1. 读取原始简历描述 user_input load_input(input.txt) print([INFO] 原始输入已读取。) # 2. 调用大模型得到原始响应文本 raw_output call_llm(user_input) print([INFO] 大模型调用完成。) # 3. 提取并校验 JSON resume_data extract_json(raw_output) validate_resume(resume_data) print([INFO] JSON 解析与校验通过。) # 4. 保存结构化 JSON save_json(resume_data, resume.json) # 5. 渲染 Markdown 文案 markdown_text render_markdown(resume_data) save_markdown(markdown_text, resume.md) print([INFO] 流程结束。) if __name__ __main__: main()6.7 准备输入数据在data目录下创建input.txt内容写一段模拟的简历描述张三26岁邮箱 zhangsanexample.com电话 13800138000。 2019年本科毕业于北京理工大学计算机科学专业。 2020年加入某科技公司担任后端开发工程师负责订单系统开发使用 Java 和 Spring Boot2021年晋升为高级工程师。 技能包括 Java、Python、SQL、Docker。 个人简介热爱技术有良好的团队协作能力熟悉高并发系统设计与开发。6.8 运行项目在项目根目录执行python main.py如果一切正常你会看到类似输出[INFO] 原始输入已读取。 [INFO] 大模型调用完成。 [INFO] JSON 解析与校验通过。 [INFO] JSON 已保存: output/resume.json [INFO] Markdown 已保存: output/resume.md [INFO] 流程结束。打开output/resume.json你会看到一份标准结构化简历。打开output/resume.md会看到渲染好的 Markdown 文案可以直接复制到简历网站或文档里。7. 常见问题与排查思路在项目落地过程中你可能会遇到下面这些问题。这里整理成表格方便快速定位。问题现象常见原因解决方案模型返回内容包含解释性文字未启用 JSON 模式或 Prompt 约束不够在 Prompt 中明确“只输出 JSON”或使用response_formatJSON 解析报错JSONDecodeError模型输出了 Markdown 代码块、尾逗号或单引号用extract_json()做后处理必要时修复尾逗号校验失败缺少必填字段原始输入信息不足模型没有推填充扩展现有字段为可选或对缺失字段做二次追问年龄被识别为字符串模型对类型约束不敏感在 Prompt 中强调字段类型并用代码强制类型转换接口返回 401/403API Key 错误或缺少权限检查环境变量配置、API Key 和套餐权限接口返回 404LLM_BASE_URL路径不对确认接口地址是否以/v1结尾并检查模型名是否存在速度太慢模型较大、网络延迟或输入过长换更小模型减少 Prompt 中不必要的示例增加超时时间如果你遇到“没有 API Key”的问题可以先用本地模拟数据替代写一个假的call_llm函数返回你手工构造的 JSON 字符串。这样整个流程依然可以跑通等接上真实模型时再替换调用模块。8. 最佳实践与工程建议8.1 Prompt 设计明确“只输出 JSON”的指令放在 Prompt 开头避免模型遗忘。给出 JSON Schema让模型知道每个字段的类型和含义。对缺失字段给出处理策略例如“缺失字段设为 null 或空数组不要编造”。控制temperature在 0 到 0.3 之间提升生成稳定性。8.2 数据校验无论模型服务多成熟都不能跳过校验层。建议在代码中引入 JSON Schema 校验并在生产环境增加异常重试机制MAX_RETRIES 3 for attempt in range(MAX_RETRIES): try: raw_output call_llm(user_input) resume_data extract_json(raw_output) validate_resume(resume_data) break except Exception as e: print(f[WARN] 第 {attempt 1} 次尝试失败: {e}) if attempt MAX_RETRIES - 1: raise8.3 日志与可观测性记录每次调用的输入 Prompt、原始输出、解析结果和耗时。这不仅能帮你排查问题还能为后续 Prompt 调优提供数据支撑。建议使用结构化的日志格式例如{ event: llm_call, model: gpt-4o-mini, status: success, latency_ms: 1200, input_length: 320, output_length: 280 }8.4 安全边界不要在 Prompt 中拼接未经验证的用户输入防止提示注入。对模型输出做字段白名单校验只允许 Schema 中声明的字段。API Key 一律通过环境变量或密钥管理服务读取不要提交到代码仓库。涉及生产数据时遵循最小权限原则模型服务只需读取本次任务所需数据。8.5 性能优化限制输入长度避免把超长文档全部塞进 Prompt必要时先做摘要。考虑批量请求。如果有多份简历需要处理可以异步并行调用但要注意 API 速率限制。对结果做缓存。相同输入不做重复调用节省 Token 成本。8.6 维护成本结构化输出不是“一次写对永远能用”。随着业务变化你需要调整字段结构、补充枚举约束、更新 Prompt。建议把 JSON Schema 独立成版本化文件用 Git 管理变更必要时记录字段兼容性说明。9. 总结与下一步学习路线通过这篇文章我们完成了一条完整的学习路径。先理解了为什么需要结构化输出再快速掌握了 JSON 的基础语法然后深入分析了大模型产生杂乱输出的原因最后用“简历助手”项目串起了从 Prompt 构造、模型调用、JSON 解析校验到文案渲染的全流程。你现在应该已经掌握了几个关键能力用 JSON 约束大模型输出让程序能稳定消费模型返回的数据。用 JSON Schema 定义业务数据结构并对模型输出做自动化校验。写一个可以复用的“文本到结构化数据”的工程项目骨架。针对常见解析失败、字段缺失、接口报错等问题做排查和修复。下一步你可以继续扩展这个简历助手比如增加多轮对话追问用户缺失的信息接入前端页面做成前后端分离的完整应用或者把“简历提取”的思路迁移到“招聘信息抽取”“合同关键字段提取”等场景。结构化输出能力是 LLM 应用开发的基本功掌握它之后你会发现大模型集成业务系统的效率有了质的提升。如果这篇教程对你有帮助可以收藏备用也欢迎在实际动手过程中记录自己的踩坑经验形成你自己的实战笔记。 大模型JSON结构化输出全指南：从原理到简历助手实战
你是不是也有过这样的经历让大模型帮忙整理一段简历信息结果它给你输出一大段带小标题、加粗、列表混排的“精美文案”你反而要花更多时间去字段里捞数据如果大模型能直接返回一份干净的 JSON任务就简单多了——程序可以直接读取、校验、落库前端也能直接渲染。这正是 JSON 结构化输出的价值。本文将围绕“JSON 结构化输出”这个核心主题展开先讲清为什么需要结构化输出再介绍 JSON 的基础语法和常见误区接着剖析大模型产生杂乱输出的原因最后用一个完整的“简历助手”项目演示从定义数据结构、构造 Prompt、调用大模型到解析校验和生成标准简历文案的全流程。文章适合以下读者正在用大模型 API 做应用开发的工程师。被大模型“自由发挥”式输出困扰的开发者。想系统学习 JSON 与结构化数据处理的初学者。准备做 AI 项目实战、毕设或简历项目的新手。学完之后你能掌握一套从“自由文本”到“标准 JSON”再到“业务数据”的完整处理思路并且可以把简历助手扩展成招聘匹配、档案整理、信息抽取等更多工具。1. 为什么需要结构化输出1.1 非结构化输出的痛点大模型默认的输出方式是“自然语言”。自然语言天生适合人类阅读却不适合程序解析。假设你让大模型帮用户提取简历里的工作经历模型可能返回这样的内容张三2019年入职北京某科技公司担任后端开发工程师期间负责电商系统订单模块的设计与开发使用Java、Spring Boot等技术栈带领3人小组项目上线后系统QPS提升约30%2021年晋升为高级工程师2022年离职。这段文本信息密度很高但如果你的目标是“把这份工作经历存入数据库”就会遇到几个麻烦没有统一的字段边界。“入职时间”“离职时间”“职责描述”都混在一句话里。计算机无法直接读取。要提取“公司名称”只能靠正则或再次调用模型。格式不稳定。换个提问方式模型输出的措辞和结构可能完全不同。在业务系统中我们更希望大模型返回这样的内容{ name: 张三, jobs: [ { company: 北京某科技公司, start_date: 2019-07, end_date: 2022-06, title: 高级后端开发工程师, description: 负责电商系统订单模块设计与开发使用Java、Spring Boot等技术栈带领3人小组项目上线后系统QPS提升约30%。 } ] }两相对比结构化数据的优势一目了然字段明确、程序可解析、前后端可复用、校验成本低。1.2 结构化输出解决什么问题结构化输出本质上是给大模型的“自由发挥”套上一层约束。它解决的核心问题包括数据可解析性。程序收到 JSON 后可以直接用json.loads()等 API 转成对象不需要写复杂的正则表达式。数据一致性。相同的字段在不同记录中拥有相同的结构便于汇总和比较。数据可校验性。可以配合 JSON Schema 对模型输出进行自动化校验不满足要求的字段直接重新生成。业务集成效率。结构化数据可以直接存入数据库或传给下游接口完成更复杂的自动化流程。1.3 JSON 不是唯一的结构化方案常见的大模型结构化输出格式有 JSON、XML 和 Markdown。JSON 是目前最主流的选择因为前端 JavaScript 原生支持 JSON 解析。后端 Java、Python、Go 等语言都有成熟的 JSON 库。JSON 结构轻量阅读性和机器可读性兼具。大部分大模型 API 都提供了 JSON 模式或结构化输出能力。XML 在文档型数据场景也有优势但解析成本更高信息密度更低。Markdown 更适合展示型文本不适合做数据交换。因此本文以 JSON 作为主要讨论对象。2. JSON 基础速览在进入实战前先快速复习 JSON 的核心语法。如果你已经很熟悉可以直接跳到第 3 节。2.1 JSON 的六种数据类型JSONJavaScript Object NotationJavaScript 对象简谱是一种轻量级的数据交换格式。它一共支持六种数据类型数据类型示例说明字符串name: 张三必须用双引号包裹数字age: 26整数或浮点数布尔值is_active: true只能是小写 true/false数组skills: [Java, Python]有序列表值类型可以混合对象address: {city: 北京}无序键值对集合空值summary: null表示空一个完整的 JSON 对象可以嵌套多种数据类型例如{ basic_info: { name: 张三, age: 26, email: zhangsanexample.com, is_full_time: true }, skills: [Java, Python, SQL], work_experience: [ { company: 某科技有限公司, years: 2 } ] }2.2 JSON 常见语法误区新手在写 JSON 时最容易犯几个错误误用单引号。JSON 字符串必须使用双引号不能写成{name: 张三}。多了尾逗号。数组或对象最后一个元素后面不能加逗号。注释混入 JSON。标准 JSON 不支持注释像// 这是注释这样的内容会导致解析失败。布尔值大小写错误。JSON 里布尔值必须是小写true/false。数字带前导零。例如age: 08是非法的。如果你经常手写 JSON建议在 IDE 中安装 JSON 格式化插件或者用在线 JSON 校验工具检查语法。2.3 为什么 JSON 适合与大模型搭配使用大模型的训练数据中有大量代码和配置文件JSON 是其中最常见的格式之一因此模型对 JSON 的生成能力相对较强。加上 JSON 结构本身自带明确的键名即使模型输出的内容稍微变化程序也能通过键名提取对应值容错率比纯文本高很多。举个简单的例子下面两段 JSON 虽然字段顺序不同但解析结果完全等价{name: 张三, age: 26}{age: 26, name: 张三}这种无序性让模型在生成时更容易命中“正确结构”而不是必须记住固定的顺序。3. 大模型非结构化输出的原因与风险3.1 模型为什么总爱“自由发挥”大模型的本质是“文本生成器”。给定一段输入Prompt它会根据历史数据分布预测下一个 token文本单元。这种设计使得模型天然倾向于生成流畅自然的文本而不是严格符合结构的“数据”。如果你不约束它它很有可能会在 JSON 前后添加解释性文字“好的以下是你要的 JSON”。使用 Markdown 代码块包裹 JSON。漏掉某个字段或把字段名改成近义词。在描述型字段里混入大量“仅供参考”的废话。这些行为对聊天场景很友好但对程序化调用是灾难。3.2 解析杂乱输出的成本假设大模型返回了这样的内容好的根据你的描述我给你整理了一份简历 { 姓名: 张三, // 注意这里用了中文键名 age: 26, skills: [Java, Python,], } 希望这份简历能帮到你程序要把它变成标准 JSON需要经过以下步骤从文本中截取 JSON 片段。去掉 Markdown 代码块标记。删除注释。修复尾逗号。把中文键名统一成英文键名。每一步都可能出错。如果模型输出结构不稳定你甚至需要写一套“解析容错层”这会让项目复杂度急剧上升。3.3 不安全解析会带来什么隐患除了格式问题如果直接把大模型输出的内容当 JSON 解析还可能出现数据类型错误、字段缺失、注入风险等问题。例如年龄字段可能是字符串26而不是数字26。邮箱字段可能是null但程序没有做空值处理。恶意 Prompt 可能诱导模型输出带有额外字段的 JSON绕过下游的数据校验逻辑。因此实战中必须做到“先校验、再使用”而不是盲目相信模型输出。4. 结构化输出的主流实现方案4.1 方案一Prompt 约束 JSON 示例这是最基础的做法。在 Prompt 中明确告诉模型“只输出 JSON”并在 Prompt 中给出期望的结构示例。适合没有平台级 JSON 模式支持的大模型接口。请根据用户提供的简历信息输出一个 JSON 对象。 JSON 结构如下 { name: string, age: number, skills: [string] } 不要输出任何解释或额外内容。这种方法的优点是通用缺点是模型有时仍不听话需要额外解析和重试。4.2 方案二平台 JSON 模式OpenAI、DeepSeek、Ollama 等大模型服务通常提供response_format参数允许用户在请求中声明json_object或传入 JSON Schema。例如在 OpenAI 兼容接口中{ response_format: {type: json_object} }部分平台还支持{ response_format: { type: json_schema, json_schema: {name: Resume, schema: {...}} } }这种方式能将“模型不输出 JSON”的概率降到很低但仍需注意字段校验。4.3 方案三函数调用 / 工具调用OpenAI 等平台支持 function calling。开发者可以定义一个“工具函数”让模型把输出包装成该函数入参对象。模型在回答时会自动生成符合函数参数结构的 JSON。{ name: extract_resume, description: 提取简历信息, parameters: { type: object, properties: { name: {type: string}, jobs: {type: array} } } }这种方案更加工程化适合构建 Agent 类应用。4.4 方案四本地后处理纠偏如果模型服务不支持 JSON 模式或者仍偶尔返回夹杂文本的内容可以在代码里做一层后处理import json import re def extract_json(text: str) - dict: 从模型输出中提取 JSON 对象。 text text.strip() # 去掉 Markdown 代码块标记 text re.sub(r^(?:json)?\s*|\s*$, , text).strip() start text.find({) end text.rfind(}) if start -1 or end -1: raise ValueError(未找到 JSON 对象) return json.loads(text[start:end 1])后处理也有局限比如尾逗号、单引号、注释等问题仍然需要额外处理。建议用第三方库如json5或自定义修复逻辑。5. 项目实战简历助手——需求分析与项目准备前面把概念讲清楚了下面进入完整实战。我们的目标是做一个“简历助手”用户输入一段自由描述程序调用大模型输出标准的简历 JSON并最终生成一份格式化的简历文案。5.1 项目需求拆分简历助手需要完成以下功能接收用户输入的原始简历描述。调用大模型接口要求模型输出符合指定 JSON Schema 的简历数据。解析大模型返回的 JSON并进行字段校验。将解析后的数据保存到本地 JSON 文件。根据数据生成一段 Markdown 格式的简历文案方便直接复制使用。从工程角度这个项目可以拆成四个模块数据模型模块定义简历结构。大模型调用模块拼接 Prompt、调用接口、接收结果。解析校验模块解析 JSON、检查字段。文案生成模块将结构化数据渲染成文案。5.2 技术栈与运行环境本文示例以 Python 为例主要使用以下组件Python 3.9。requests 库用于调用兼容 OpenAI 协议的大模型接口。jsonschema 库可选用于更规范的 JSON 校验。大模型接口可以使用 OpenAI、DeepSeek、Ollama 等支持 OpenAI 兼容格式的服务。版本方面需要提醒一点不同大模型服务的 API 参数可能有差异比如response_format的支持程度不同。本文的代码会兼容“支持 JSON 模式”和“不支持 JSON 模式”两种场景你可以根据实际服务调整。如果你没有 API Key可以用 Ollama 本地部署一个小模型也可以先直接跳过调用步骤用模拟数据进行项目流程调试。5.3 创建项目结构终端执行mkdir resume-assistant cd resume-assistant mkdir data output目录结构如下resume-assistant/ ├── data/ # 存放输入文本和中间 JSON ├── output/ # 存放最终生成的简历 JSON 和文案 ├── config.py # 配置项 ├── models.py # 数据结构定义 ├── llm_client.py # 大模型调用模块 ├── parser.py # JSON 解析校验模块 ├── renderer.py # 简历文案渲染模块 └── main.py # 主入口5.4 安装依赖在项目根目录执行pip install requests jsonschemarequests用于发送 HTTP 请求jsonschema用于校验 JSON 结构。如果你使用的是 OpenAI 官方 SDK也可以换成openai库但为了减少依赖和适配不同服务本文使用requests直接调用 OpenAI 兼容接口这样更通用。6. 简历助手核心代码实现下面逐模块编写代码。完整代码可以直接复制运行但需要根据你的实际大模型服务地址和密钥进行配置。6.1 配置模块 config.py# config.py import os # 大模型服务配置 # 以 OpenAI 兼容接口为例。使用 Ollama 时可以改为 http://localhost:11434/v1 LLM_BASE_URL os.getenv(LLM_BASE_URL, https://api.openai.com/v1) LLM_API_KEY os.getenv(LLM_API_KEY, your-api-key) LLM_MODEL os.getenv(LLM_MODEL, gpt-4o-mini) # 是否使用 JSON 模式。部分服务不支持请设置为 False LLM_JSON_MODE os.getenv(LLM_JSON_MODE, true).lower() true # 输入输出目录 INPUT_DIR data OUTPUT_DIR output这里使用环境变量管理密钥避免把 API Key 硬编码在代码里也更符合安全实践。如果你用的是本地 OllamaLLM_BASE_URL填http://localhost:11434/v1API Key 填任意非空字符串即可。6.2 数据模型 models.py我们定义简历结构。这里采用类属性的方式编写方便 IDE 自动补全和后续扩展# models.py from dataclasses import dataclass, field from typing import List, Optional dataclass class Education: school: Optional[str] None degree: Optional[str] None major: Optional[str] None start_date: Optional[str] None end_date: Optional[str] None dataclass class WorkExperience: company: Optional[str] None title: Optional[str] None start_date: Optional[str] None end_date: Optional[str] None description: Optional[str] None dataclass class Resume: name: Optional[str] None age: Optional[int] None email: Optional[str] None phone: Optional[str] None skills: List[str] field(default_factorylist) education: List[Education] field(default_factorylist) work_experience: List[WorkExperience] field(default_factorylist) summary: Optional[str] None同时我们把 JSON Schema 单独定义为常量后续 Prompt 和校验都会用到# models.py 追加内容 RESUME_SCHEMA { type: object, properties: { name: {type: string}, age: {type: integer}, email: {type: string}, phone: {type: string}, skills: { type: array, items: {type: string} }, education: { type: array, items: { type: object, properties: { school: {type: string}, degree: {type: string}, major: {type: string}, start_date: {type: string}, end_date: {type: string} } } }, work_experience: { type: array, items: { type: object, properties: { company: {type: string}, title: {type: string}, start_date: {type: string}, end_date: {type: string}, description: {type: string} } } }, summary: {type: string} }, required: [name, skills] }required字段表示模型输出必须包含name和skills其他字段可为空。这样既能约束关键信息又不会因为信息缺失导致整次生成失败。6.3 大模型调用模块 llm_client.py这一部分是核心。需要处理两种场景使用 JSON 模式和不使用 JSON 模式。代码如下# llm_client.py import json import requests from config import LLM_BASE_URL, LLM_API_KEY, LLM_MODEL, LLM_JSON_MODE from models import RESUME_SCHEMA def build_prompt(user_input: str) - str: 根据用户输入构造 Prompt。 schema_str json.dumps(RESUME_SCHEMA, ensure_asciiFalse, indent2) prompt f 你是一个简历信息提取助手。请根据用户提供的原始简历描述提取结构化信息。 具体要求 1. 只输出一个 JSON 对象不要输出任何解释、问候或 Markdown 代码块标记。 2. JSON 必须符合以下 JSON Schema {schema_str} 字段说明 - name: 姓名 - age: 年龄数字类型 - email: 邮箱 - phone: 电话 - skills: 技能列表数组类型 - education: 教育经历列表每个元素包含 school、degree、major、start_date、end_date - work_experience: 工作经历列表每个元素包含 company、title、start_date、end_date、description - summary: 个人简介 如果原始描述中缺少某个字段请将该字段设为 null对象类型或空数组数组类型不要编造。 用户原始描述 {user_input} return prompt def call_llm(user_input: str) - str: 调用大模型接口返回模型输出的原始文本。 url f{LLM_BASE_URL}/chat/completions headers { Authorization: fBearer {LLM_API_KEY}, Content-Type: application/json } payload { model: LLM_MODEL, messages: [ {role: system, content: 你是一个严谨的数据提取助手严格只输出 JSON。}, {role: user, content: build_prompt(user_input)} ], temperature: 0.2 } # 如果服务支持 JSON 模式则开启。 # 注意不同服务对 response_format 的兼容性不同需按实际服务调整。 if LLM_JSON_MODE: payload[response_format] {type: json_object} resp requests.post(url, headersheaders, jsonpayload, timeout60) resp.raise_for_status() data resp.json() return data[choices][0][message][content]关于temperature数值越小模型输出越稳定更适合提取型任务。这里设置为 0.2不会过分随机也不会呆板到失去概括能力。6.4 解析校验模块 parser.py在实际项目中大模型返回的结果不一定“干干净净”所以解析和校验这一层不能省略。代码如下# parser.py import json import re from typing import Dict, Any from jsonschema import validate, ValidationError from models import RESUME_SCHEMA def extract_json(text: str) - Dict[str, Any]: 从模型输出中提取 JSON 对象。 text text.strip() # 去掉常见的 Markdown 代码块标记 text re.sub(r^(?:json)?\s*|\s*$, , text).strip() # 找到第一个 { 和最后一个 } start text.find({) end text.rfind(}) if start -1 or end -1 or end start: raise ValueError(模型输出中未找到 JSON 对象) json_str text[start:end 1] # 尝试直接解析 try: return json.loads(json_str) except json.JSONDecodeError: # 如果解析失败尝试修复尾逗号 fixed re.sub(r,\s*([}\]]), r\1, json_str) return json.loads(fixed) def validate_resume(data: Dict[str, Any]) - Dict[str, Any]: 校验 JSON 是否符合简历 Schema。 try: validate(instancedata, schemaRESUME_SCHEMA) except ValidationError as e: raise ValueError(f简历 JSON 校验失败: {e.message}) return data6.5 文案渲染模块 renderer.py有了结构化数据我们可以灵活生成各种格式的文案。这里实现一个将简历 JSON 转为 Markdown 文档的函数# renderer.py from typing import Dict, Any def render_markdown(resume: Dict[str, Any]) - str: 将简历 JSON 渲染为 Markdown 文案。 lines [] # 基本信息 name resume.get(name, 未知) lines.append(f# {name} 的简历) lines.append() # 联系方式 contact_parts [] if resume.get(email): contact_parts.append(f邮箱{resume[email]}) if resume.get(phone): contact_parts.append(f电话{resume[phone]}) if contact_parts: lines.append(## 联系方式) lines.append() for part in contact_parts: lines.append(f- {part}) lines.append() # 个人简介 if resume.get(summary): lines.append(## 个人简介) lines.append() lines.append(resume[summary]) lines.append() # 技能 skills resume.get(skills, []) if skills: lines.append(## 技能) lines.append() lines.append(、.join(skills)) lines.append() # 工作经历 work_experience resume.get(work_experience, []) if work_experience: lines.append(## 工作经历) lines.append() for exp in work_experience: company exp.get(company, 未知公司) title exp.get(title, 未知职位) start exp.get(start_date, ) end exp.get(end_date, 至今) date_str f{start} ~ {end} if start else lines.append(f### {title} {company} ({date_str})) if exp.get(description): lines.append() lines.append(exp[description]) lines.append() # 教育经历 education resume.get(education, []) if education: lines.append(## 教育经历) lines.append() for edu in education: school edu.get(school, 未知学校) degree edu.get(degree, ) major edu.get(major, ) start edu.get(start_date, ) end edu.get(end_date, ) date_str f{start} ~ {end} if start else lines.append(f- {school}{degree}{major}{date_str}) lines.append() return \n.join(lines)这种写法把“数据”和“展示”彻底分开后续你想改成 HTML、PDF 或 DOCX只需要新增一个渲染函数即可。6.6 主流程 main.py最后把各个模块串起来# main.py import json import os from config import INPUT_DIR, OUTPUT_DIR from llm_client import call_llm from parser import extract_json, validate_resume from renderer import render_markdown def load_input(filename: str) - str: 加载用户输入的简历描述文本。 path os.path.join(INPUT_DIR, filename) with open(path, r, encodingutf-8) as f: return f.read().strip() def save_json(data: dict, filename: str): 保存 JSON 到输出目录。 os.makedirs(OUTPUT_DIR, exist_okTrue) path os.path.join(OUTPUT_DIR, filename) with open(path, w, encodingutf-8) as f: json.dump(data, f, ensure_asciiFalse, indent2) print(f[INFO] JSON 已保存: {path}) def save_markdown(text: str, filename: str): 保存 Markdown 文案到输出目录。 os.makedirs(OUTPUT_DIR, exist_okTrue) path os.path.join(OUTPUT_DIR, filename) with open(path, w, encodingutf-8) as f: f.write(text) print(f[INFO] Markdown 已保存: {path}) def main(): # 1. 读取原始简历描述 user_input load_input(input.txt) print([INFO] 原始输入已读取。) # 2. 调用大模型得到原始响应文本 raw_output call_llm(user_input) print([INFO] 大模型调用完成。) # 3. 提取并校验 JSON resume_data extract_json(raw_output) validate_resume(resume_data) print([INFO] JSON 解析与校验通过。) # 4. 保存结构化 JSON save_json(resume_data, resume.json) # 5. 渲染 Markdown 文案 markdown_text render_markdown(resume_data) save_markdown(markdown_text, resume.md) print([INFO] 流程结束。) if __name__ __main__: main()6.7 准备输入数据在data目录下创建input.txt内容写一段模拟的简历描述张三26岁邮箱 zhangsanexample.com电话 13800138000。 2019年本科毕业于北京理工大学计算机科学专业。 2020年加入某科技公司担任后端开发工程师负责订单系统开发使用 Java 和 Spring Boot2021年晋升为高级工程师。 技能包括 Java、Python、SQL、Docker。 个人简介热爱技术有良好的团队协作能力熟悉高并发系统设计与开发。6.8 运行项目在项目根目录执行python main.py如果一切正常你会看到类似输出[INFO] 原始输入已读取。 [INFO] 大模型调用完成。 [INFO] JSON 解析与校验通过。 [INFO] JSON 已保存: output/resume.json [INFO] Markdown 已保存: output/resume.md [INFO] 流程结束。打开output/resume.json你会看到一份标准结构化简历。打开output/resume.md会看到渲染好的 Markdown 文案可以直接复制到简历网站或文档里。7. 常见问题与排查思路在项目落地过程中你可能会遇到下面这些问题。这里整理成表格方便快速定位。问题现象常见原因解决方案模型返回内容包含解释性文字未启用 JSON 模式或 Prompt 约束不够在 Prompt 中明确“只输出 JSON”或使用response_formatJSON 解析报错JSONDecodeError模型输出了 Markdown 代码块、尾逗号或单引号用extract_json()做后处理必要时修复尾逗号校验失败缺少必填字段原始输入信息不足模型没有推填充扩展现有字段为可选或对缺失字段做二次追问年龄被识别为字符串模型对类型约束不敏感在 Prompt 中强调字段类型并用代码强制类型转换接口返回 401/403API Key 错误或缺少权限检查环境变量配置、API Key 和套餐权限接口返回 404LLM_BASE_URL路径不对确认接口地址是否以/v1结尾并检查模型名是否存在速度太慢模型较大、网络延迟或输入过长换更小模型减少 Prompt 中不必要的示例增加超时时间如果你遇到“没有 API Key”的问题可以先用本地模拟数据替代写一个假的call_llm函数返回你手工构造的 JSON 字符串。这样整个流程依然可以跑通等接上真实模型时再替换调用模块。8. 最佳实践与工程建议8.1 Prompt 设计明确“只输出 JSON”的指令放在 Prompt 开头避免模型遗忘。给出 JSON Schema让模型知道每个字段的类型和含义。对缺失字段给出处理策略例如“缺失字段设为 null 或空数组不要编造”。控制temperature在 0 到 0.3 之间提升生成稳定性。8.2 数据校验无论模型服务多成熟都不能跳过校验层。建议在代码中引入 JSON Schema 校验并在生产环境增加异常重试机制MAX_RETRIES 3 for attempt in range(MAX_RETRIES): try: raw_output call_llm(user_input) resume_data extract_json(raw_output) validate_resume(resume_data) break except Exception as e: print(f[WARN] 第 {attempt 1} 次尝试失败: {e}) if attempt MAX_RETRIES - 1: raise8.3 日志与可观测性记录每次调用的输入 Prompt、原始输出、解析结果和耗时。这不仅能帮你排查问题还能为后续 Prompt 调优提供数据支撑。建议使用结构化的日志格式例如{ event: llm_call, model: gpt-4o-mini, status: success, latency_ms: 1200, input_length: 320, output_length: 280 }8.4 安全边界不要在 Prompt 中拼接未经验证的用户输入防止提示注入。对模型输出做字段白名单校验只允许 Schema 中声明的字段。API Key 一律通过环境变量或密钥管理服务读取不要提交到代码仓库。涉及生产数据时遵循最小权限原则模型服务只需读取本次任务所需数据。8.5 性能优化限制输入长度避免把超长文档全部塞进 Prompt必要时先做摘要。考虑批量请求。如果有多份简历需要处理可以异步并行调用但要注意 API 速率限制。对结果做缓存。相同输入不做重复调用节省 Token 成本。8.6 维护成本结构化输出不是“一次写对永远能用”。随着业务变化你需要调整字段结构、补充枚举约束、更新 Prompt。建议把 JSON Schema 独立成版本化文件用 Git 管理变更必要时记录字段兼容性说明。9. 总结与下一步学习路线通过这篇文章我们完成了一条完整的学习路径。先理解了为什么需要结构化输出再快速掌握了 JSON 的基础语法然后深入分析了大模型产生杂乱输出的原因最后用“简历助手”项目串起了从 Prompt 构造、模型调用、JSON 解析校验到文案渲染的全流程。你现在应该已经掌握了几个关键能力用 JSON 约束大模型输出让程序能稳定消费模型返回的数据。用 JSON Schema 定义业务数据结构并对模型输出做自动化校验。写一个可以复用的“文本到结构化数据”的工程项目骨架。针对常见解析失败、字段缺失、接口报错等问题做排查和修复。下一步你可以继续扩展这个简历助手比如增加多轮对话追问用户缺失的信息接入前端页面做成前后端分离的完整应用或者把“简历提取”的思路迁移到“招聘信息抽取”“合同关键字段提取”等场景。结构化输出能力是 LLM 应用开发的基本功掌握它之后你会发现大模型集成业务系统的效率有了质的提升。如果这篇教程对你有帮助可以收藏备用也欢迎在实际动手过程中记录自己的踩坑经验形成你自己的实战笔记。