LLM 输出从随机抽奖箱到精确计算器：JSON 结构化的三重保障

当你发现自己不断在 Prompt 中加入“务必”“绝对”“严格遵循”这样的强制性词汇，却依然收到“开盲盒”式的回复时，问题已经不在你的表达能力，而在于 LLM 的解析机制。根据 JSON Canvas 文档，结构化数据格式（如 JSON）在 LLM 内部处理中比自然语言有着天然的优势：模型在训练集中接触的配置文件、API 规范和数据模式远多于随意拼凑的句子。这意味着，当你把“资深 Python 架构师”的角色定义用 JSON 精确描述时，模型能够直接匹配 Capabilities 列表中的“异步编程”与“性能优化”，而不必在几百字的自然语言中反复搜索关键词。特别地，当 Constraints 中同时包含“Style”约束为“PEP8”和“ErrorHandling”必须包含“try-except”时，模型会优先检查这两个条件是否被满足，而不是仅凭“务必”两字猜测意图。这种机制在 Infinite Canvas 工具 的文档中被提及，其核心在于将“指令集”转化为可验证的结构，而不是依赖模糊的语义理解。

Schema 设计的关键在于“上下文锚点”：以 OutputFormat 为例，当你指定 Structure 为“Code -> Explanation -> Complexity Analysis”时，模型会按照这个顺序生成内容，而不会因为“先写代码再解释”的提示被理解为“先写代码再跳过解释”。在 JSON Canvas 的 readme 文件 中，类似的结构化逻辑被用于组织无限画布数据，确保每个节点的信息都能被精确定位。这与 LLM 的结构化提示词原理一致：当 Language 字段被设为“zh-CN”且与 OutputFormat 中的 Structure 同时出现时，模型会优先保证输出语言和格式的一致性，而不是在多个自然语言提示中混淆优先级。

模板引擎（如 Jinja2）在这里发挥的作用类似于 Infinite Canvas 工具 中的“空间化组织”逻辑：角色模板（如“资深 Python 架构师”）可以被存储为 JSON 或 YAML 文件，并在运行时动态注入变量。例如，当你需要迭代 Constraints 中的“禁止使用 os.path”规则时，只需修改 JSON 文件中的 Forbidden 列表，所有依赖该模板的 Agent 都会同步更新。这种机制与 JSON Canvas 的可扩展性设计 如出一辙：当模板中的 Role 和 Capabilities 同时被引用时，修改其中一个字段会自动触发相关逻辑的重新解析**，而无需手动更新每个对话实例。这正是“Prompt 版本管理跟代码版本管理一个待遇”的核心所在。

在生产环境中，结构化提示词的应用场景可以进一步拓展。例如，当你需要将 LLM 输出接入后端流水线时，如果同时启用 json_mode 和 Pydantic 校验，那么输出的 JSON 数据不仅结构严格，还能在运行时自动检查类型和约束。根据 JSON Canvas 的文档，这种机制确保了数据的“互操作性”和“可读性”，使得 LLM 输出能够无缝集成到其他工具中。而当你选择“JSON 输入 + Markdown 输出”的组合时，如果 OutputFormat 中的 Language 为“zh-CN”且 Structure 包含“Code”块，模型会优先生成可执行的代码片段，并在后续部分提供中文解释，避免因格式混淆导致的理解错误。这种“双重约束”机制在 Infinite Canvas 的工具链 中也有体现：用户可以在无限画布中自由探索（类似于“自由输出”），但在需要结构化时，仍能通过 JSON 格式锁定关键逻辑。