结构化Prompt与Meta Prompt实战——让AI输出你想要的格式

导读

你有没有遇到过这样的问题：调用大模型接口，期望返回一个干净的 JSON，结果模型"放飞自我"，在 JSON 前面加了一段解释文字，外面还裹了一层 Markdown 代码块，字段名大小写乱改，空值填了个 "N/A"......下游系统直接解析失败，线上告警一片红。

本文将围绕两个核心主题展开：

1. 结构化 Prompt ------ 通过精心设计的提示词约束，让模型稳定输出你指定的格式（JSON、XML 等），彻底解决"格式飘忽不定"的痛点。
2. Meta Prompt（元提示词） ------ 让 AI 帮你写 Prompt，用"套娃"的方式批量生成、优化、评估提示词，大幅提升开发效率。

无论你是后端开发工程师、AI 应用开发者，还是对 Prompt Engineering 感兴趣的技术人，这篇文章都能给你带来可落地的实战技巧。

---

一、为什么模型输出的格式会"飘"？

在上下游系统交互中，数据格式的一致性是基本要求。你的后端服务期望接收一个标准的 JSON 对象，但大模型本质上是一个"文本生成器"，它并不天然理解"只输出 JSON"这件事。

1.1 常见的"翻车"场景

问题	示例
JSON 外面裹了 Markdown 代码块	json { ... }
JSON 前面加了解释性文字	以下是分析结果：{ ... }
字段名大小写被改了	期望 userName，输出 username
空值填了 "N/A" 而非空字符串	"address": "N/A"
空数组被替换成 null	"tags": null 而非 "tags": []

这些问题的根源在于：Prompt 中缺少明确的约束，模型就会自由发挥。 就好比你让实习生帮你整理数据，如果你只说"整理一下"，每个人整理出来的格式都不一样；但如果你给他一个明确的模板和填写规则，结果就会稳定得多。

1.2 Prompt 稳定性 > API 稳定性

很多同学会依赖框架层面的能力（比如 Spring AI 的 BeanOutputConverter）来实现 JSON 序列化。这当然很方便，但需要注意：BeanOutputConverter 本质上是在 Prompt 里自动附加了一个 JSON Schema 需求，模型并不会 100% 服从。

更关键的是，不是所有模型都支持 JSON 格式输出。因此，Prompt 层面的约束才是最可靠的基础保障，API 层面的工具只是锦上添花。

---

二、结构化 Prompt 的六大关键技巧

2.1 明确告诉模型"只输出 JSON"

这是最基本也是最重要的一条。你需要用非常明确的语言告诉模型。看一下我们项目中 StableStructuredOutputController 的真实 System Prompt 写法：

// com.jichi.prompt.controller.StableStructuredOutputController

private static final String SYSTEM = """
        你是一个用户评论分析专家。
        分析评论的情感倾向、优缺点和整体评分。

        输出规则（严格遵守）：
        - 只输出合法的 JSON，第一个字符必须是 {，最后一个字符必须是 }
        - 禁止在 JSON 前后添加任何文字、解释或 Markdown 代码块
        - sentiment 只能是 POSITIVE / NEGATIVE / MIXED / NEUTRAL 之一
        - 列表为空时填 []，不要填 null
        - overallScore 范围 1-10 的整数
        """;

很多人只写了"请以 JSON 格式输出"，这远远不够。你需要把所有可能的"越界行为"都明确列出来并禁止。

2.2 对字段处理规则做显式说明

模型很"聪明"，如果你不告诉它怎么处理特殊情况，它就会"自作主张"去猜测和推断。看看我们合同信息提取服务 ContractExtractionService 中的字段处理规则：

// com.jichi.prompt.service.ContractExtractionService

private static final String SYSTEM = """
        你是一个合同信息提取专家，有 10 年法律文件分析经验。

        提取规则：
        1. 只提取文本中明确表述的信息，不推断不猜测
        2. 日期统一转为 YYYY-MM-DD 格式；"永久"或"无限期"填 null
        3. 金额提取数字部分（去掉"元"、"万元"等单位，但保留单位到 currency 字段）
           例："人民币壹拾万元整" → amount=100000, currency="CNY"
        4. 如果某个字段在文本中没有明确表述，填 null
        5. warnings 字段：记录提取过程中遇到的歧义或注意事项
        """;

这就像给模型一份"数据字典"，每个字段怎么填、边界情况怎么处理，都写得明明白白。

2.3 用"禁止"代替"不要"

这是一个非常实用的小技巧。在 Prompt 中，"禁止"的约束力远强于"不要"。原因很直觉------"禁止"这个词的语气更强硬、更绝对。

# 效果较弱
不要在 JSON 前面加解释性文字。

# 效果更强（我们项目中的真实写法）
禁止在 JSON 前后添加任何文字、解释或 Markdown 代码块

注意我们在 StableStructuredOutputController 中还用了具体的格式锚点------"第一个字符必须是 {，最后一个字符必须是 }"，进一步收紧了约束边界。

2.4 将 Temperature 设置为 0

当你的任务是结构化输出（格式固定、不需要创意）时，把 temperature 参数设为 0。看看项目中的实际用法：

// com.jichi.prompt.controller.StableStructuredOutputController#analyzeReview

DashScopeChatOptions options = DashScopeChatOptions.builder()
        .withTemperature(0.0)
        .build();

类比：temperature 就像是模型的"想象力开关"。写诗的时候需要打开，填表格的时候必须关掉。

2.5 格式约束放 System Prompt，而非 User Prompt

System Prompt 相当于模型的"大脑"，是全局性的指令；User Prompt 是每次对话的具体输入。格式约束这种"铁律"，应该放在 System Prompt 中。看看我们客服配置 CustomerServiceConfig 中的实战写法：

// com.jichi.prompt.config.CustomerServiceConfig

@Bean
public ChatClient customerAiServiceClient(DashScopeChatModel chatModel) {
    return ChatClient.builder(chatModel)
            .defaultSystem("""
                    【角色】
                    你是"鸡翅 AI"电商平台的智能客服助手小鸡，专注于售前咨询和售后服务。

                    【任务】
                    - 解答用户关于商品、订单、物流、退款的疑问
                    - 引导用户完成购买决策
                    - 收集用户反馈

                    【约束】
                    - 只回答与鸡翅 AI 平台和商品相关的问题
                    - 不确定的信息直接告知用户"我需要帮您核实一下"，不要编造
                    - 涉及退款、投诉等复杂问题，主动提出转人工
                    - 不评价竞争对手产品

                    【格式】
                    - 回复简洁，不超过 150 字
                    - 语气亲切友好，称呼用户为"您"
                    - 每条回复末尾可以追问用户是否还有其他问题

                    【示例】
                    用户：这个手机壳适合 iPhone 15 Pro 吗？
                    小极：您好！这款手机壳专为 iPhone 15 Pro 设计，完美贴合各按键和接口位置。
                          支持 MagSafe 磁吸充电，不影响无线充电。需要了解其他型号的适配情况吗？
                    """)
            .build();
}

System Prompt 的约束力天然高于 User Prompt，这是模型架构决定的。注意这个配置类使用了 Spring AI 的 ChatClient.builder + defaultSystem，所有通过这个 ChatClient 发出的请求都会自动带上这段 System Prompt。

2.6 手动提供 JSON Schema 示例

当字段比较复杂时，与其用自然语言描述，不如直接给模型一个结构化的实体定义。在我们项目中，合同提取的输出实体定义如下：

// com.jichi.prompt.entity.ContractInfo

public record ContractInfo(
    List<Party> parties,
    String contractNumber,
    String signDate,
    String effectiveDate,
    String expiryDate,
    ContractValue value,
    List<String> keyObligations,
    List<String> terminationConditions,
    String confidentialityClause,  // STRICT/GENERAL/NONE
    List<String> warnings
) {}

在 Service 层，我们通过 BeanOutputConverter 自动将这个 record 转换为 JSON Schema 追加到 Prompt 中：

private final BeanOutputConverter<ContractInfo> converter;

public ContractInfo extract(String contractText) {
    String raw = chatModel.call(new Prompt(
            List.of(
                    new SystemMessage(SYSTEM + "\n\n" + converter.getFormat()),
                    new UserMessage("提取以下合同的关键信息：\n\n" + contractText)
            )
    )).getResult().getOutput().getText();
    return converter.convert(raw);
}

converter.getFormat() 会自动生成 JSON Schema 描述追加到 System Prompt 末尾，比手写模板更可靠，字段类型、枚举值都能显式描述。

---

三、兜底方案：应对模型的"偶发抽风"

即使你的 Prompt 写得再好，也要为最坏情况做准备。生产环境中，模型偶尔还是会输出带 Markdown 代码块的 JSON，这时就需要一个清洗函数做兜底：

public static String cleanJsonOutput(String raw) {
    if (raw == null) return null;
    // 去除 Markdown 代码块标记
    raw = raw.replaceAll("```json\\s*", "")
             .replaceAll("```\\s*", "")
             .trim();
    // 提取第一个 { 到最后一个 } 之间的内容
    int start = raw.indexOf('{');
    int end = raw.lastIndexOf('}');
    if (start >= 0 && end > start) {
        return raw.substring(start, end + 1);
    }
    return raw;
}

实战经验：在项目中加上 Prompt 约束 + BeanOutputConverter + 兜底清洗方案后，JSON 解析异常的问题就再也没有出现过。

---

四、完整实战示例：评论分析服务

下面用一个完整的例子把前面讲的技巧串起来。这是项目中真实的评论分析接口，输入一条评论文本，输出结构化的情感分析结果。

4.1 定义实体类

// com.jichi.prompt.entity.ReviewAnalysis

public record ReviewAnalysis(
    String sentiment,           // POSITIVE / NEGATIVE / MIXED / NEUTRAL
    List<String> positiveAspects,
    List<String> negativeAspects,
    int overallScore,           // 1-10
    String summary
) {}

注意我们使用了 Java 的 record 类型，字段不可变，天然适合做数据传输对象。Spring AI 的 BeanOutputConverter 可以直接解析 record。

4.2 编写 Controller

// com.jichi.prompt.controller.StableStructuredOutputController

@RestController
@RequestMapping("/structured")
public class StableStructuredOutputController {

    private static final String SYSTEM = """
            你是一个用户评论分析专家。
            分析评论的情感倾向、优缺点和整体评分。

            输出规则（严格遵守）：
            - 只输出合法的 JSON，第一个字符必须是 {，最后一个字符必须是 }
            - 禁止在 JSON 前后添加任何文字、解释或 Markdown 代码块
            - sentiment 只能是 POSITIVE / NEGATIVE / MIXED / NEUTRAL 之一
            - 列表为空时填 []，不要填 null
            - overallScore 范围 1-10 的整数
            """;

    private final DashScopeChatModel chatModel;
    private final BeanOutputConverter<ReviewAnalysis> converter;

    public StableStructuredOutputController(DashScopeChatModel chatModel) {
        this.chatModel = chatModel;
        this.converter = new BeanOutputConverter<>(ReviewAnalysis.class);
    }

    @PostMapping("/analyze-review")
    public ReviewAnalysis analyzeReview(@RequestBody String review) {
        DashScopeChatOptions options = DashScopeChatOptions.builder()
                .withTemperature(0.0)
                .build();

        String raw = chatModel.call(new Prompt(
                List.of(
                        new SystemMessage(SYSTEM + "\n\n" + converter.getFormat()),
                        new UserMessage("分析这条评论：" + review)
                ),
                options
        )).getResult().getOutput().getText();

        return converter.convert(raw);
    }
}

这段代码完整体现了前面讲的所有技巧：System Prompt 约束格式规则、Temperature 设为 0、BeanOutputConverter 自动追加 JSON Schema、最终通过 converter.convert() 反序列化。

输入 "产品质量很好，但物流太慢了，等了快两周" 后，模型稳定输出：

{
  "sentiment": "MIXED",
  "positiveAspects": ["产品质量很好"],
  "negativeAspects": ["物流太慢，等了快两周"],
  "overallScore": 6,
  "summary": "产品质量受好评，但物流体验较差"
}

---

五、Meta Prompt：让 AI 帮你写 Prompt

5.1 什么是 Meta Prompt？

Meta Prompt（元提示词），就是用来生成其他 Prompt 的 Prompt。

听起来有点"套娃"？确实如此。流程是这样的：

你告诉 AI 一个任务场景
    → AI 生成一个高质量的 System Prompt
        → 你用这个 Prompt 让 AI 完成实际任务

打个比方：你不直接写考试题，而是先写一个"出题规范"，让助教按照规范去出题。Meta Prompt 就是那个"出题规范"。

5.2 为什么需要 Meta Prompt？

在实际项目开发中，需要写 Prompt 的场景非常多：

• 批量生成业务 Prompt：一个项目可能有 20 个功能，每个都需要 System Prompt，手写费时费力。
• 优化已有 Prompt：现有的 Prompt 效果不理想，但不知道从哪下手改，让 AI 帮你分析问题并重写。
• 多语言适配：同一个功能要支持中文、英文、日文等，每种语言的 Prompt 表达风格完全不同，用 Meta Prompt 批量生成。
• SaaS 多租户场景：不同租户需要不同的 AI 助手人设和能力边界，通过 Meta Prompt 动态生成定制化 Prompt。

5.3 Meta Prompt 的实战代码

场景一：生成 Prompt

我们项目中的 MetaPromptController 实现了两个核心功能------生成 Prompt 和优化 Prompt。先看生成部分：

// com.jichi.prompt.controller.MetaPromptController

@RestController
@RequestMapping("/meta-prompt")
public class MetaPromptController {

    private static final String META_PROMPT = """
            你是一个 Prompt 工程师，专门为 AI 应用设计高质量的 System Prompt。

            用户会描述一个业务场景，你需要生成一个完整的 System Prompt，要求：
            1. 包含明确的角色定位
            2. 包含清晰的任务边界
            3. 包含必要的行为约束
            4. 包含输出格式要求（如果有需要）
            5. 语言简洁，避免冗余
            6. 针对业务场景加入具体的示例（如果有助于理解）

            直接输出生成的 System Prompt，不要有任何解释或前缀。
            """;

    private final DashScopeChatModel chatModel;

    @GetMapping("/generate")
    public String generatePrompt(@RequestParam String scenario) {
        return chatModel.call(new Prompt(
                List.of(
                        new SystemMessage(META_PROMPT),
                        new UserMessage(
                                "请为以下场景生成 System Prompt：\n\n" + scenario)
                )
        )).getResult().getOutput().getText();
    }
}

调用示例：GET /meta-prompt/generate?scenario=企业内部知识库问答助手，回答员工关于公司制度、流程、福利等方面的问题

AI 生成的结果：

你是一个企业内部知识库问答助手，专门回答员工关于公司制度、
行政流程、薪酬福利、考勤规范等方面的问题。

【能力范围】
- 公司规章制度解读
- 行政审批流程指引
- 薪酬福利政策说明
- 考勤与休假规则

【约束】
- 如果问题超出上述范围，明确告知"该问题不在我的服务范围内，
  建议联系 XX 部门"
- 禁止提供法律建议或涉及具体薪资数字
- 回答要简洁明了，不超过 200 字

这个生成结果已经相当不错，基本可以直接使用，只需根据实际业务做少量微调。

场景二：优化 Prompt

同一个 Controller 中还提供了 Prompt 优化接口。注意它使用了结构化输出------优化结果会被解析为 PromptOptimizationResult 对象：

// com.jichi.prompt.controller.MetaPromptController

private static final String OPTIMIZE_META_PROMPT = """
        你是一个 Prompt 优化专家。用户会提供：
        1. 当前 Prompt（当前版本）
        2. 期望的任务和输出
        3. 现在存在的问题

        你需要：
        1. 分析当前 Prompt 存在的问题（逐条说明）
        2. 给出优化后的 Prompt
        3. 解释每处改动的原因
        """;

public record PromptOptimizationRequest(
        String currentPrompt,
        String expectedTask,
        String issues
) {}

public record PromptOptimizationResult(
        List<String> issues,
        String optimizedPrompt,
        List<String> changes
) {}

@PostMapping("/optimize")
public PromptOptimizationResult optimizePrompt(@RequestBody PromptOptimizationRequest req) {
    BeanOutputConverter<PromptOptimizationResult> converter =
            new BeanOutputConverter<>(PromptOptimizationResult.class);

    String userContent = String.format("""
                    当前 Prompt：
                    %s

                    期望的任务：
                    %s

                    存在的问题：
                    %s

                    %s
                    """, req.currentPrompt(), req.expectedTask(), req.issues(),
            converter.getFormat());

    String raw = chatModel.call(new Prompt(
            List.of(
                    new SystemMessage(OPTIMIZE_META_PROMPT),
                    new UserMessage(userContent)
            )
    )).getResult().getOutput().getText();

    return converter.convert(raw);
}

AI 的优化结果会被结构化为三部分：

1. issues：当前 Prompt 存在的问题列表
2. optimizedPrompt：优化后的完整 Prompt
3. changes：逐条解释每处修改的目的

5.4 进阶：SaaS 多租户动态生成

在 SaaS 产品中，不同租户可能需要不同风格的 AI 助手。我们项目中定义了一个 TenantConfig 配置类：

// com.jichi.prompt.entity.TenantConfig

public record TenantConfig(
    String tenantId,
    String companyName,
    String businessType,
    List<String> capabilities,
    List<String> restrictions,
    String tone,
    String specialRequirements
) {}

然后通过 TenantPromptService 利用 Meta Prompt 动态生成定制化的 System Prompt：

// com.jichi.prompt.service.TenantPromptService

@Service
public class TenantPromptService {

    private static final String META_SYSTEM = """
            你是 Prompt 生成引擎，根据客户配置生成定制化的 AI 助手 System Prompt。
            生成的 Prompt 必须：
            1. 准确反映客户的业务场景
            2. 包含必要的约束和边界
            3. 风格与客户的品牌调性一致
            直接输出 System Prompt，不要其他内容。
            """;

    private final DashScopeChatModel chatModel;

    public String generateTenantPrompt(TenantConfig config) {
        String request = String.format("""
                生成一个 AI 助手的 System Prompt，配置如下：

                公司名称：%s
                业务类型：%s
                助手功能：%s
                不能处理的问题：%s
                语言风格：%s
                特殊要求：%s
                """,
                config.companyName(),
                config.businessType(),
                String.join("、", config.capabilities()),
                String.join("、", config.restrictions()),
                config.tone(),
                config.specialRequirements());

        // 实际项目里应该缓存到数据库，不用每次重新生成
        return chatModel.call(new Prompt(
                List.of(new SystemMessage(META_SYSTEM), new UserMessage(request))
        )).getResult().getOutput().getText();
    }
}

Controller 层只需一行转发：

// com.jichi.prompt.controller.TenantPromptController

@RestController
@RequestMapping("/tenant-prompt")
public class TenantPromptController {

    private final TenantPromptService tenantPromptService;

    @PostMapping("/generate")
    public String generateTenantPrompt(@RequestBody TenantConfig config) {
        return tenantPromptService.generateTenantPrompt(config);
    }
}

比如传入"极智商城"的配置后，AI 就能自动生成一个带有该商城品牌调性、业务范围约束、特殊规则（如"遇到投诉必须转接人工客服"）的完整 System Prompt。

这种模式在很多 AI 平台创建智能体时都在使用------你填写智能体的名称和描述，平台就帮你生成 System Prompt，背后就是 Meta Prompt 在工作。

5.5 再进一步：用 AI 评估 Prompt 质量

生成了 Prompt，怎么知道质量好不好？我们项目中专门实现了一个 MetaPromptEvaluationController 来做这件事：

// com.jichi.prompt.controller.MetaPromptEvaluationController

@RestController
@RequestMapping("/meta-prompt-eval")
public class MetaPromptEvaluationController {

    private static final String EVALUATION_META_PROMPT = """
            你是一个 Prompt 质量评估专家。
            对给定的 Prompt 从以下维度打分（1-10）并给出改进建议：

            1. 清晰度：任务目标是否清晰无歧义
            2. 完整性：是否涵盖必要的角色、任务、约束、格式
            3. 安全性：是否有足够的约束防止越界行为
            4. 简洁性：是否有冗余内容
            5. 可操作性：模型是否能明确知道该怎么做
            """;

    private final DashScopeChatModel chatModel;
    private final BeanOutputConverter<PromptEvaluation> converter;

    @PostMapping("/evaluate")
    public PromptEvaluation evaluatePrompt(@RequestBody String prompt) {
        String userContent = "请评估以下 Prompt：\n\n" + prompt + "\n\n" + converter.getFormat();

        String raw = chatModel.call(new Prompt(
                List.of(
                        new SystemMessage(EVALUATION_META_PROMPT),
                        new UserMessage(userContent)
                )
        )).getResult().getOutput().getText();

        return converter.convert(raw);
    }
}

评估结果的实体类 PromptEvaluation 定义如下：

// com.jichi.prompt.entity.PromptEvaluation

public record PromptEvaluation(
    Map<String, Integer> scores,
    int overallScore,
    List<String> strengths,
    List<String> improvements
) {}

对于一个简单的 "你是一个助手，帮助用户回答问题" 这样的 Prompt，AI 的评估结果可能是：

维度	得分	说明
清晰度	4	角色定义模糊，未指定专业领域
完整性	5	缺少输出格式、边界情况处理
安全性	6	无防注入约束
简洁性	7	确实够简洁
可操作性	5	缺少具体的执行指引

这种"生成 → 评估 → 优化"的闭环，能让你的 Prompt 质量不断迭代提升。

---

六、Meta Prompt 的注意事项

6.1 AI 生成的 Prompt 只是起点

AI 生成的 Prompt 大约能覆盖 70%-80% 的内容，但人工审查和微调是必不可少的。常见需要人工补充的部分：

• 业务特有的约束条件（AI 不了解你的业务细节）
• 边界情况的处理规则
• 安全相关的约束（防越狱、防注入）

6.2 防止 Prompt 注入

如果你的 SaaS 产品允许用户自定义 Prompt 内容，一定要做严格的输入过滤。否则恶意用户可能通过 Prompt 注入，绕过你设定的安全约束。

6.3 生成结果要缓存

Meta Prompt 生成的结果应该持久化存储到数据库 ，而不是每次请求都重新生成。正如我们 TenantPromptService 代码中的注释所说：// 实际项目里应该缓存到数据库，不用每次重新生成。只有配置变更时才触发重新生成，既节省 Token 开销，也保证响应速度。

---

七、总结

本文覆盖了两个提升 AI 应用工程质量的核心技术：

结构化 Prompt 六大技巧：

1. 明确告诉模型"只输出 JSON"，列出所有禁止行为
2. 对字段处理规则做显式说明（空值、日期、金额等）
3. 用"禁止"替代"不要"，并设定格式锚点
4. 结构化任务将 Temperature 设为 0
5. 格式约束放 System Prompt，具体输入放 User Prompt
6. 复杂字段用 BeanOutputConverter 自动生成 JSON Schema

Meta Prompt 四大应用场景：

1. 批量生成业务 Prompt（MetaPromptController#generatePrompt）
2. 分析并优化已有 Prompt（MetaPromptController#optimizePrompt）
3. SaaS 多租户场景动态生成定制化 Prompt（TenantPromptService#generateTenantPrompt）
4. 用 AI 评估 Prompt 质量，形成迭代闭环（MetaPromptEvaluationController#evaluatePrompt）

记住一个核心原则：Prompt 的约束力是整个 AI 应用稳定性的基础。 与其在代码层面各种 try-catch 打补丁，不如在 Prompt 层面把规矩立好。先在源头把问题解决掉，再加一层兜底方案，这才是生产级 AI 应用的正确姿势。