效率的關鍵。想象一下：讓 LLM 生成的 JSON 直接被代碼解析，讓報告自動符合公司模板，讓客服回覆精準匹配品牌調性 —— 這些都得經過 Prompt Engineering 實現對輸出的精確控制。本文將環境拆解控制 LLM 輸出的核心技能，從格式約束到內容雕琢，再到風格塑造，幫你從 "能用" 升級到 "善用" 大模型。就是在大模型應用中，"得到答案" 只是基礎，"得到符合預期格式、內容和風格的答案" 才

一、為什麼要控制 LLM 的輸出？

未經控制的 LLM 輸出常常存在 "不確定性"：格式混亂導致無法直接使用（如 JSON 缺括號）、內容冗餘或遺漏關鍵信息、風格與場景不符（如用學術腔回覆客户諮詢）。這些問題會大幅增加後續處理成本 —— 據統計，開發者平均要花 30% 的時間清洗 LLM 輸出，而精準控制能將這一比例降低至 5% 以下。

控制輸出的本質是通過結構化提示縮小模型的 "決策空間"：明確告訴模型 "必須輸出什麼格式"、"必須包含哪些內容"、"必須用什麼風格表達"，讓模型的生成過程從 "自由創作" 轉為 "按要求執行"。

二、精確控制輸出格式：讓機器讀懂你的輸出

讓輸出就是格式控制是 Prompt Engineering 中最基礎也最常用的技能，尤其在需要機器自動處理 LLM 輸出的場景（如 API 集成、數據入庫）中必不可少。核心目標結構化、無歧義、可直接解析。

1. 結構化格式：JSON、表格與自定義模板

（1）JSON 格式控制

JSON 是最常用的結構化格式，需明確指定字段、類型和約束條件。關鍵技巧：

• 用{}標記 JSON 起始，避免多餘文本
• 列出必填字段及説明（如"name": "用户姓名，字符串類型"）
• 提供示例（尤其字段麻煩時）
• 強調 "不添加任何解釋文本"

實戰示例：

任務：從以下文本中提取用户信息，以JSON格式返回，包含字段：姓名、年齡、購買產品、價格（數字類型）。

文本："我叫張三，今年30歲，昨天買了一台筆記本電腦，花了5999元。"

要求：只返回JSON，不添加其他內容。

模型響應：

{"姓名": "張三", "年齡": 30, "購買產品": "筆記本電腦", "價格": 5999}

（2）表格格式控制

適合展示結構化數據對比，需指定表頭和行列規則。關鍵技巧：

• 用|分隔單元格，---標記表頭分隔線
• 明確列數和每列含義
• 要求 "表格無多餘邊框，行列對齊"

示例：

將以下3種水果的信息整理成Markdown表格，包含列：名稱、單價（元）、成熟季節。

信息：蘋果單價8元，秋季成熟；香蕉單價5元，夏季成熟；橙子單價6元，冬季成熟。

模型響應：

（3）自定義模板控制

針對特定業務場景（如報告、郵件），可預設模板讓模型填充內容。關鍵技巧：

• 用{{佔位符}}標記需要填充的部分
• 説明佔位符的取值範圍
• 強調 "嚴格按照模板結構，不增刪段落"

示例：

按以下模板生成產品故障報告：

故障報告 產品名稱：{{產品名}}

故障現象：{{具體描述}}

可能原因：1. {{原因1}} 2. {{原因2}}

解決方案：{{步驟}}

信息：用户反饋"新買的掃地機器人無法開機，充電時指示燈不亮"。

模型響應：

故障報告

產品名稱：掃地機器人

故障現象：無法開機，充電時指示燈不亮

可能原因：1. 充電器接觸不良 2. 電池故障

解決方案：1. 檢查充電器插頭是否插緊；2. 更換充電器嘗試充電；3. 若仍無效，聯繫售後檢測電池

2. 格式約束的核心技巧

三、精準控制輸出內容：讓信息不多不少，恰到好處

內容控制的目標是讓 LLM 輸出覆蓋核心需求、排除無關信息、保證準確性因為你沒説清楚 "要什麼" 和 "不要什麼"。就是。很多時候，模型輸出質量差不是基於能力不足，而

1. 控制內容範圍：明確 "包含什麼" 和 "排除什麼"

（1）正向約束：指定必須包含的信息

通過 "必須含有 XX 點" 強制模型覆蓋核心內容，尤其適合需要完整性的場景（如需求文檔、檢查清單）。

示例：

總結以下產品説明，必須包含：1. 核心功能；2. 適用人羣；3. 注意事項。不超過200字。

產品説明："智能手環B3支持心率監測、睡眠分析、運動計步，續航7天。適合上班族和運動愛好者使用。應用時需遠離強磁場，充電時請使用原裝充電器。"

模型響應：智能手環 B3 的核心功能包括心率監測、睡眠分析和運動計步，續航達 7 天。適用人羣為上班族和運動愛好者。注意事項：應用時需遠離強磁場，充電必須使用原裝充電器。

（2）反向約束：指定必須排除的信息

利用 "不包含 XX" 過濾冗餘內容，適合需要簡潔性的場景（如摘要、快速回復）。

示例：

解釋什麼是"機器學習"，要求：1. 不使用數學公式；2. 不提及具體算法名稱；3. 用日常生活舉例。

模型響應：機器學習是讓計算機像人一樣 "從經驗中學習" 的技術。比如，手機相冊能自動識別人臉，它通過分析大量標註好的照片，逐漸學會區分不同人的面部特徵，下次看到新照片時就能準確識別，這個過程就像人通過多次見面記住朋友的樣子。

2. 控制內容深度：從 "概要" 到 "細節" 的精準調節

利用關鍵詞控制信息顆粒度，滿足不同場景需求：

• 概要級：用 "簡要説明"、"一句話總結"
• 中等深度：用 "分點説明（3-5 點）"、"核心步驟"
• 深度細節：用 "詳細描述"、"每個步驟具備 XX 信息"

示例對比：

# 概要級

簡要説明"如何煮米飯"，不超過30字。

# 中等深度

分3步説明"如何煮米飯"，每步不超過50字。

# 深度細節

詳細説明"如何煮米飯"，包含：米和水的比例、浸泡時間、火候控制、判斷熟度的方法。

3. 控制內容準確性：減少幻覺與錯誤

LLM 有時會生成 "看似合理但錯誤" 的內容（即 "幻覺"），利用以下技巧降低風險：

• 限定信息來源："僅基於以下文本回答，不添加外部信息"
• 標註不確定性："若信息不明確，用 ' 可能 ' 標註並説明原因"
• 要求驗證依據："每個結論需引用文本中的具體句子"

示例：

基於以下文本回答："人工智能首次擊敗人類圍棋冠軍是哪一年？

" 文本："2016年3月，谷歌DeepMind開發的AlphaGo與圍棋世界冠軍李世石進行比賽並獲勝，這是人工智能首次在圍棋領域擊敗人類頂尖選手。"

要求：僅用文本中的信息回答，若文本未提及，回覆"未提及"。

四、精細控制輸出風格：讓表達適配場景與對象

風格控制能讓 LLM 的輸出貼合場景氛圍、匹配受眾特徵，在營銷文案、客服溝通、內容創作等場景中至關重要。風格的核心要素包括：語氣（正式 / 隨意）、措辭（專業 / 通俗）、情感（積極 / 中性）、角色（專家 / 朋友）。

1. 語氣與措辭控制

通過明確形容詞指定語氣，配合示例強化效果：

• 正式語氣："使用書面語，避免口語化表達，結構嚴謹"
• 隨意語氣："像朋友聊天一樣，用口語化表達，可加語氣詞"
• 專業措辭："使用 XX 領域術語（如計算機領域的 ' 迭代 '、' 封裝 '）"
• 通俗措辭："用小學生能聽懂的話解釋，多舉生活例子"

示例對比：

# 正式專業版

解釋"區塊鏈"，採用金融領域術語，結構嚴謹，適合向投資人説明。

# 隨意通俗版

解釋"區塊鏈"，像和朋友聊天一樣，用口語化表達，適合向長輩説明。

模型響應（正式專業版）：區塊鏈是一種去中心化的分佈式賬本技術，通過密碼學算法完成交易記錄的不可篡改與可追溯。其核心特性包括分佈式存儲、共識機制與智能合約，在金融領域可應用於跨境支付、供應鏈金融等場景，能降低信任成本與交易摩擦。

模型響應（隨意通俗版）為啥大家説它靠譜。就是：區塊鏈就像一個大家共用的記事本，你記一筆，我記一筆，所有人都能看到，但誰也改不了之前的記錄。比如你給朋友轉錢，這筆賬會被所有人記下來，想賴賬都不行，這就

2. 角色綁定與風格遷移

激活模型對該角色的 "語言習慣記憶"。關鍵技巧：就是給模型賦予具體角色，讓其從角色視角輸出內容，本質

• 角色細節越具體越好（如 "有 10 年經驗的小學科學老師，擅長用實驗舉例"）
• 明確角色的溝通對象（如 "向 6 歲兒童解釋"）
• 可附加角色的典型表達方式（如 "常用 ' 你看呀 '、' 咱們試試 ' 等句式"）

五、實戰技巧：當模型 "不聽話" 時該怎麼辦？

即使掌握了上述方法，模型偶爾仍會 "跑偏"（如 JSON 格式錯誤、遺漏內容）。這時可採用以下進階技巧：

1. 逐步引導法：複雜任務拆分成多步提示，先讓模型確認理解格式要求，再輸出內容。

第一步：請重複我需要的JSON格式（具備字段：姓名、年齡）。

第二步：根據文本"小李今年25歲"，按上述格式輸出。

1. 錯誤修正法：直接指出模型的錯誤並要求重寫。

你輸出的JSON缺少"年齡"字段，且"價格"應為數字類型（當前帶了單位），請修正後重新輸出。

1. 冗餘約束法：用多重約束強化格式要求（尤其對較笨的模型）。

必須輸出JSON，用```包裹，字段不能缺失，值為數字的字段不能加引號，不允許任何解釋文字，否則輸出無效。

六、總結：控制輸出的底層邏輯

控制 LLM 輸出的核心不是 "命令"，而是 "清晰的預期傳遞"。無論是格式、內容還是風格，本質都是通過以下方式縮小模型的生成空間：

• 明確邊界：告訴模型 "能做什麼" 和 "不能做什麼"
• 提供示例：用具體案例展示 "正確的樣子"
• 匹配場景：讓模型理解 "輸出將被如何應用"

練習建議：從日常任務開始（如讓模型生成帶格式的待辦清單），逐步增加複雜度（如生成可直接入庫的 JSON 數據），並記錄模型 "不聽話" 的場景 —— 這些場景正是你提升 Prompt 技能的關鍵突破口。