如何通过Prompt工程精确控制Agent输出格式：技术实现与避坑指南

1次阅读

共计 1966 个字符，预计需要花费 5 分钟才能阅读完成。

在开发基于 Agent 的自动化系统时，输出格式不稳定会导致一系列连锁反应。最常见的问题包括：

JSON 解析失败：当 Agent 自由发挥时，可能返回残缺的 JSON（如缺少引号或逗号），导致下游服务直接崩溃
多轮对话格式漂移：首次响应是 Markdown 表格，第二次变成纯文本，前端渲染组件集体罢工
类型安全暴雷：约定返回数字类型，结果 Agent 给你来个 ” 大约三百 ” 的字符串

这些故障轻则引发异常重试，重则导致业务逻辑彻底中断。我们曾有个电商比价 Agent，因为偶尔返回带货币符号的价格（如$299），直接触发财务系统警报。

方法	实现难度	稳定性	灵活性	适用场景
直接输出约束	★★☆	★★☆	★★★	简单结构化输出
模板引擎	★★★	★★★★	★★☆	固定报表类输出
后处理	★★★★	★★★	★★★★	需要保留原始创意的场景

推荐组合使用这三种约束方式：

Markdown fencing：用 ```json 包裹 JSON 输出，既保留可读性又明确边界

JSON Schema：在 prompt 中嵌入 Schema 定义，比如：

请按以下格式响应：```json
{
  "price": {
    "type": "number",
    "description": "不含货币符号的精确数值"
  }
}

YAML 锚点：对于复杂结构，用 YAML 的引用机制避免重复定义

import json
from typing import Dict

def generate_product_report(prompt: str) -> Dict:
    """
    生成标准化的产品报告
    参数:
        prompt: 用户原始请求
    返回:
        解析后的结构化数据
    """system_prompt ="""
    你是一名电商数据分析师，请始终以以下格式响应：```json
    {
        "name": "产品名称",
        "price": 数值,
        "specs": {
            "color": "字符串",
            "weight": 数值
        }
    }
    ```
    """

    # 实际调用 LLM 的代码
    raw_response = call_llm(system_prompt, prompt)

    try:
        # 提取 JSON 部分（处理可能存在的周边文本）json_str = raw_response.split('```json')[1].split('```')[0]
        return json.loads(json_str)
    except (IndexError, json.JSONDecodeError) as e:
        raise FormatError(f"解析失败: {str(e)}")

处理缺失字段的进阶方案：

def validate_response(data: Dict) -> Dict:
    """校验并补全响应数据"""
    schema = {"name": {"type": str, "required": True},
        "price": {"type": (int, float), "default": 0},
        "specs": {
            "type": dict,
            "schema": {"color": {"type": str, "default": "黑色"},
                "weight": {"type": (int, float), "required": True}
            }
        }
    }

    return validate_with_defaults(data, schema)  # 自定义校验函数