在AI產(chǎn)品落地過程中，提示詞（Prompt）的質量直接決定了模型輸出的效果。本文系統(tǒng)介紹了如何利用Markdown、XML和JSON三種結構化格式，設計清晰、可維護、可擴展的“生產(chǎn)級”提示詞。

為什么要撰寫結構化提示詞？

當提示詞變得復雜，包含多重指令、大量上下文和具體示例時，一個扁平的、無結構的文本塊會讓模型難以區(qū)分不同信息的優(yōu)先級。就像給員工下達一個冗長且毫無重點的口頭指令，很容易導致誤解和執(zhí)行偏差。

結構化提示詞通過使用明確的分隔符、標簽或語法，將提示詞分解為邏輯清晰的模塊。這帶來了幾個核心優(yōu)勢：

減少歧義：清晰地標示出哪些是指令、哪些是上下文、哪些是用戶輸入，讓模型準確理解每個部分的意圖。

提升指令遵循能力：當任務被分解并結構化呈現(xiàn)時，模型能更好地按步驟執(zhí)行，輸出結果更符合預期。

增強可維護性：結構化的提示詞更易于團隊成員理解、修改和復用，降低了長期維護的成本。

結構化格式為何有效：從模型訓練原理理解

要理解為什么Markdown、XML和JSON等格式對LLM特別有效，我們需要回歸到模型訓練的本質。LLM是通過學習海量互聯(lián)網(wǎng)文本數(shù)據(jù)中的統(tǒng)計規(guī)律來工作的。這些訓練數(shù)據(jù)中，有相當大一部分本身就是高度結構化的。

數(shù)據(jù)基礎：互聯(lián)網(wǎng)充滿了用HTML和XML構建的網(wǎng)頁、用Markdown編寫的論壇帖子和文檔、以及在API通信中廣泛使用的JSON數(shù)據(jù)。

模式學習：在訓練過程中，模型已經(jīng)內隱地學習到了這些結構化標記（如

、、”key”:“value”）所蘊含的語義模式。例如，模型知道

標簽內的文本通常是標題，標簽內的內容是示例，而JSON的鍵值對結構則代表了清晰的數(shù)據(jù)關系。

激活已知模式：因此，當我們在提示詞中使用這些格式時，我們并非在教模型一種新語言，而是在“激活”它早已熟知的模式。這使得我們的指令意圖能夠被更準確地捕捉，其效果遠勝于一段普通的自然語言描述。這就像與一個熟悉圖表的人交流時，使用圖表會比純文字描述更高效。

Markdown：清晰易讀的首選

Markdown是一種輕量級標記語言，因其簡潔、直觀的語法而廣受歡迎，是聯(lián)系撰寫結構化提示詞的入門選擇。

優(yōu)勢：

高可讀性：使用#表示標題，-或*表示列表，**text**表示加粗，使得提示詞的邏輯層次一目了然，無論是對人還是對AI都非常友好。

易于編寫和維護：語法簡單，無需復雜的工具即可編寫。

提升指令遵循：研究和實踐表明，將指令格式化為項目符號列表（bulletpoints）能顯著提高LLM的指令遵循準確率。

案例：使用Markdown重構一個復雜的寫作任務

重構前（非結構化提示詞）：

我需要你寫一個關于宇航員發(fā)現(xiàn)新行星的短篇故事。故事里要有一個會說話的外星人，一場太空戰(zhàn)斗，以及一個結局反轉，揭示這一切都只是一個游戲。請把故事控制在500字以內。

這個提示詞將所有要求混雜在一起，模型需要自行梳理。

重構后（使用Markdown的結構化提示詞）：

通過使用Markdown的標題和列表，我們將任務、角色、情節(jié)和約束條件清晰地分離開來，極大地降低了模型的理解難度，從而能夠生成更符合要求的高質量內容。

用XML重構提示詞：實現(xiàn)語義結構化

XML（ExtensibleMarkupLanguage）作為一種設計用于傳輸和存儲數(shù)據(jù)的標記語言，核心優(yōu)勢在于自描述性和層次化結構。

優(yōu)勢：

語義清晰：XML的標簽結構讓AI能夠更好地理解不同部分的作用和重要性。相比于純文本，XML提供了明確的語義邊界。

層次分明：復雜的提示詞往往包含多個層次的信息，XML的嵌套結構完美契合這一需求。

易于解析：現(xiàn)代AI模型對XML格式有很好的理解能力，能夠準確識別和處理結構化信息。

如何用XML撰寫提示詞

XML指令使用“標簽”進行組織，每個指令部分都用一個開放標簽（例如，）和一個相應的閉合標簽包裹起來。閉合標簽在名稱前包含一個正斜杠。

這種結構類似于打包搬家時的箱子，主標簽是最大的箱子，而像“角色”、“目標”和“任務”這樣的子部分則是嵌套在其中的較小的箱子。這種分層方法允許清晰的組織和模塊化，人類和AI都能輕松閱讀和處理。

基本結構設計原則：

使用語義化的標簽名稱

保持層次結構的邏輯性

將不同類型的信息分離到不同標簽中

使用屬性來添加元數(shù)據(jù)

建議在撰寫時通過縮進嵌套標簽來保持結構化外觀。

JSON：連接AI與外部工具

JSON（JavaScriptObjectNotation）是一種輕量級的數(shù)據(jù)交換格式，在提示詞工程中，它主要用于實現(xiàn)一個強大的功能：函數(shù)調用（FunctionCalling）。

什么是函數(shù)調用？函數(shù)調用是一種讓LLM與外部工具或API進行交互的能力。

當用戶的請求需要模型自身知識庫之外的信息時，如實時天氣、公司內部數(shù)據(jù)庫數(shù)據(jù)、執(zhí)行某個軟件操作。模型不會直接回答，而是會生成一個特定格式的JSON對象。這個JSON對象精確地描述了需要調用哪個函數(shù)，以及需要傳遞什么參數(shù)。

通過在提示詞中明確要求LLM生成符合特定JSONSchema的輸出，能夠解決系統(tǒng)集成的“最后一公里“難題。

核心優(yōu)勢

可靠的機器解析：應用后端可以直接將LLM返回的JSON字符串反序列化為對象或數(shù)據(jù)結構，無需任何脆弱的文本解析邏輯。這讓AI的輸出變得像調用一個傳統(tǒng)的、確定性的API一樣可靠。

無縫的系統(tǒng)集成：結構化的JSON輸出可以直接用于填充數(shù)據(jù)庫、調用其他API、驅動前端UI渲染，或作為復雜工作流（AgenticWorkflows）中下一步的輸入。

精確的數(shù)據(jù)結構定義：定義JSONSchema本身也是在向模型施加一種強大的邏輯約束，迫使其思考如何將分析結果填充到預設的字段中，這反過來也提升了輸出內容的質量和完整性。

示例數(shù)據(jù)提供：通過JSON格式的示例，模型能夠更好地理解期望的輸出格式。

工作流程

定義工具：在提示詞中，使用JSONSchema的格式向模型描述可用的外部函數(shù)（工具），包括函數(shù)名、功能描述和參數(shù)列表。

模型決策：模型分析用戶輸入，判斷是否需要調用某個已定義的函數(shù)來回答問題。

生成JSON：如果需要，模型會輸出一個包含函數(shù)名和參數(shù)的JSON對象。

應用執(zhí)行：你的應用程序代碼接收到這個JSON，解析它，并實際執(zhí)行相應的API調用或函數(shù)。

返回結果：將函數(shù)執(zhí)行的結果返回給模型。

最終回復：模型基于函數(shù)返回的結果，生成最終的自然語言回復給用戶。

案例：通過JSON實現(xiàn)工具調用

第一步：向模型描述工具，一般在提示詞中我們會提供一個工具列表。

說明這個工具是：

用來干什么的

需要調用這個工具的用戶輸入長什么樣

以及成功調用這個工具需要用到哪些字段

第二步：用戶提問用戶輸入：“張三的電話號碼和郵箱是什么”

第三步：模型生成JSON（函數(shù)調用）

模型不會直接回答，而是會返回一個tool_calls對象，其中包含以下JSON：

說明調用了人員查詢工具，輸入的字段為人名張三

第四步及之后：應用程序代碼會調用真實的API，并將返回的人員信息

模型最后會根據(jù)返回信息生成對用戶的友好回復：“張三的電話是13794785945，郵箱是zhangsan@123.com”

對于產(chǎn)品經(jīng)理和業(yè)務人員來說，理解函數(shù)調用至關重要。

它意味著LLM不再是一個封閉的知識庫，而是可以被授權訪問和操作任何外部數(shù)據(jù)和系統(tǒng)的“智能中樞”，這極大地擴展了AI應用的想象空間和商業(yè)價值。