如何利用 JSON Schema 强制约束 LLM 输出复杂嵌套结构的稳定性

让 LLM 输出 JSON 很容易，但要它在 100 次请求中 100 次都严格遵守复杂的嵌套结构，单纯靠 Prompt 几乎是不可能的。尤其是当你的 JSON 里包含多层数组、特定枚举值或者强制要求的字段时，Claude 3.5 或 GPT-4o 偶尔还是会漏掉某个闭合括号，或者把 status: "success" 擅自改成 status: "ok"。

我最近在做一套自动化研报解析工具，需要模型把非结构化文本转成一个包含「核心观点 → 支撑证据 → 来源页码」的深层嵌套 JSON。实测发现，即便在 System Prompt 里写了详细的 Example，模型在处理长文本时依然会出现字段缺失。

真正解决稳定性问题的方案是直接喂 JSON Schema。

实测对比：Prompt 描述 vs JSON Schema 约束

场景：提取包含多层嵌套的财务数据

方案 A（Prompt 引导）：

请输出JSON格式，包含company, fiscal_year, 以及一个reports列表，每个report包含date和amount。

表现： 稳定性 85%。偶尔会出现 amount 变成字符串 "100M" 而不是数字 100000000，或者把 reports 字段名写成 report_list。

方案 B（JSON Schema 强约束）：

{
  "type": "object",
  "properties": {
    "company": { "type": "string" },
    "fiscal_year": { "type": "integer" },
    "reports": {
      "type": "array",
      "items": {
        "type": "object",
        "properties": {
          "date": { "type": "string", "format": "date" },
          "amount": { "type": "number" }
        },
        "required": ["date", "amount"]
      }
    }
  },
  "required": ["company", "fiscal_year", "reports"]
}

表现： 稳定性 99% 以上。配合 OpenAI 的 json_schema 响应格式（Structured Outputs），模型在解码阶段就被强制限制在 Schema 范围内，根本没机会输出非法字符。

不同模型的适配体感

GPT-4o： 目前最稳。开启 strict: true 后，输出几乎等同于代码生成的 JSON，完全不需要再写正则去清洗数据。

Claude 3.5 Sonnet： 虽然没有原生的 Strict Mode 接口，但它对复杂 Schema 的理解能力极强。在 Prompt 中直接粘贴 Schema 并在结尾强调 Strictly follow the provided JSON Schema，其逻辑准确度往往高于 GPT-4o，但在极少数情况下仍会有微小的格式瑕疵。

DeepSeek-V2.5： 在处理简单 JSON 时很快，但在深层嵌套（3 层以上）且包含复杂 enum 约束时，偶尔会丢失部分嵌套层级，建议在 Prompt 中配合少样本（Few-Shot）一起使用。

避坑指南

如果你的结构非常复杂，不要试图在一个 Schema 里解决所有问题。建议将任务拆分，先让模型输出一级结构，再通过循环将子项交给模型细化。此外，required 字段必须全部列出，否则模型在面对不确定信息时会倾向于直接删掉该键值对，导致后端解析报 KeyError。