新闻详情

新闻详情

首页 / 资讯中心 / 详情

30天从零开始学AI应用开发(Day 9):让 AI 按你的格式说话:结构化输出(JSON)

发布时间:2026/11/13 23:56:07来源:尧图网络
30天从零开始学AI应用开发(Day 9):让 AI 按你的格式说话:结构化输出(JSON)
这是系列的第 9 篇。整个系列写给零基础、想入行 AI 的朋友每天一篇30 天后你会做出 3 个能写进简历的项目。这篇解决什么问题昨天“提示词门诊”来了很多人说明大家已经开始认真打磨提问了。今天往深处走一步讲一个从玩具到项目的分水岭技术结构化输出。先说痛点。你现在让 AI 做任何事它回的都是一段人话。人话给人看没问题但程序没法用。比如你让 AI 判断这条评论是好评还是差评它回你一句“这条评论表达了用户的不满情绪倾向于差评”。文字很通顺可你的程序拿到手一筹莫展总不能让代码去读中文吧。程序要的是能被代码处理的数据。今天要学的 JSON就是 AI 和程序之间的通用语言。学会它你的程序才能真的“用”AI而不是“围观”AI。Day 13 的文件整理助手靠的就是这一篇。一、JSON 是什么一张填好的表格人话像作文写得再好机器读着费劲。JSON 像表格一格一个信息程序拿来就能用。看个例子就懂了{评论:这奶茶也太难喝了吧,情绪:负面,置信度:高}花括号包住引号里是名字键冒号后面是内容值逗号隔开。是不是眼熟对它和 Day 5 学的 Python 字典几乎一模一样就多了个要求键必须用双引号。这种对应关系是故意的因为“AI 说的话”和“Python 里的数据”之间就隔一个转换动作。二、怎么让 AI 输出 JSON答案简单到好笑开口要。在大模型见过海量表格和配置文件你只要明确说“按这个格式给我”它就照办。核心就是昨天的技巧二把格式要求写进提示词请分析下面这条评论的情绪严格按以下 JSON 格式输出 不要输出任何其他内容 {评论: ..., 情绪: 正面/负面/中性, 置信度: 高/中/低} 评论这家店服务态度绝了下次还来。两个要点第一把格式模板原样写在提示词里让 AI 照着填第二加一句“不要输出任何其他内容”不然它热情地给你加一句“好的以下是分析结果”格式就毁了。三、代码实战程序怎么接住 AI 的话新建 analyze.py完整跑一遍“提问、接话、转成数据”的流程importjson# Python 自带的 JSON 工具fromopenaiimportOpenAI clientOpenAI(api_key你的密钥,base_urlhttps://api.deepseek.com)comment这家店服务态度绝了下次还来。promptf请分析下面这条评论的情绪严格按以下 JSON 格式输出 不要输出任何其他内容 {{评论: ..., 情绪: 正面/负面/中性, 置信度: 高/中/低}} 评论{comment}responseclient.chat.completions.create(modeldeepseek-chat,messages[{role:user,content:prompt}])textresponse.choices[0].message.content# AI 回的文字datajson.loads(text)# 关键一步文字变成字典print(data[情绪])# 像用字典一样取值注意两个细节。第一提示词里的 JSON 模板用了双花括号{{}}因为外层是 f-string花括号要双写才不会被当成变量坑。第二json.loads就是那个转换动作把 AI 说的“话”变成 Python 真正能用的“字典”。运行后输出“正面”你的程序第一次真正用上了 AI 的判断。四、给程序上个保险AI 偶尔会不守规矩比如在 JSON 外面套一层说明文字或者用中文引号。程序不能指望它每次都乖要用 try 做个兜底try:datajson.loads(text)print(情绪,data[情绪])exceptjson.JSONDecodeError:print(AI 没按格式回答原文是,text)专业的程序和玩具的区别就在这些细节上。Day 13 做项目时这套“要格式、接住、转换、兜底”的组合拳会原样上场。五、这一招的真正威力单个评论分析只是开胃菜。把今天的招数和昨天的提示词组合AI 能帮你把一堆乱七八糟的文字变成整整齐齐的数据一篇长文输出“标题、摘要、关键词列表”三件套一份简历输出“姓名、学历、技能列表”结构化档案一批文件名输出“文件名、类型、建议分类”这就是项目一的核心数据一旦结构化存文件、进数据库、做界面全都通了。所以业内常说提示词决定 AI 说什么结构化决定程序用什么。常见报错排查报错一json.decoder.JSONDecodeError: Expecting property name enclosed in double quotes。十个里面九个是中文引号。AI 输出里的引号必须是英文双引号 检查提示词里是否强调了“使用英文双引号”。也可以在代码里加一行text text.replace(“, ).replace(”, )做替换兜底。报错二还是 JSONDecodeError但内容看着没问题。大概率 AI 在 JSON 外面套了json 这样的代码块标记或者前面加了一句“好的以下是”。处理办法解析前先清理比如 text text.strip().removeprefix(json).removesuffix(“”)或者把提示词里“不要输出任何其他内容”加粗强调。报错三解析成功了取值却报 KeyError。键名对不上比如你要“情绪”它给了emotion。让 AI 严格照抄你给的键名别自己发挥。最稳的办法是解析后先 print(data) 看一眼它到底给了什么。今天的作业让 AI 把你的一段自我介绍转成 JSON字段至少包含“姓名、城市、技能列表”技能是个列表考验它输出方括号。跑通后把 JSON 结果贴到评论区看看大家的技术栈都是什么。明天预告Day 10《多轮对话怎么让 AI 记住你们聊过的内容》。其实 Day 6 你的程序已经会记了但记着记着会爆内存、烧钱包明天讲对话记录的正确管理方式顺便把“上下文长度”这个面试常考概念用人话讲透。————————————————*系列目录30天从零开始学AI应用 开发
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/14 3:51:47

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/12 23:59:09

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/13 13:31:48

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/13 16:11:45

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/14 3:51:43

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉