Claude接口返回示例提示词：让AI先判断再输出

用三段式结构锁定AI思考顺序

要约束LLM按既定逻辑运作，必须设计一道不可跳过的流程关卡。核心思路在于一个三步递进框架。

第一步操作极简——在提示词开头直接嵌入一句「请严格按以下三步执行」，语气明确、位置前置，使其成为不可绕行的流程锚点。随后用数字分隔三个步骤：先解析，再推理，最后输出。注意，这里的“解析”不是泛泛浏览，而是要求逐字段提取字段名称、示例值、数据类型（如字符串或数组）以及是否必填。尚未结束，第二步的“推理”才是关键，必须强制模型思考该字段在真实业务场景中的语义。举例来说，一个名为 order_id 的字段，AI不能仅视其为字母数字串，必须识别出它是支付系统中用于去重幂等操作的唯一标识。只有前两步全部完成，才允许生成附带中文说明的字段列表。收尾处加一条硬性约束——若未完成前两步分析，禁止输出任何字段说明。此举直接切断AI跳过推理步骤直接编造描述的惯性。

用字段样例反向约束分析粒度

仅有流程还不够，必须投喂“带陷阱”的样本，倒逼模型进行深层语义理解。

一个高效技巧是：在输入样例中故意混入干扰项。例如给定JSON：{ “status”: 0, “data”: { “items”: [ {“id”: “abc”, “price”: “99.5”} ] } }，并在提示词中特别标注：“注意，price字段虽为字符串格式，实际是金额；status=0在此处不是失败，而是成功状态码。”这样一来，模型若不先理解业务语义，仅看字段名和类型必然出错。它必须识别数据类型与业务含义的错位，才能正确进入输出阶段。

另一个技巧是在样例中插入 null 值和空数组，例如 “tags”: []，“remark”: null。然后要求对 null 字段注明“可能为空”，对空数组注明“存在但无内容”。这种设计专门用于防止AI套用模板，迫使它逐项判断，无法敷衍。

禁用自由发挥的关键词开关

最后一步，还需给AI的随意发挥套上紧箍咒。具体做法：在提示词末尾直接列出几条硬性禁令——例如，严禁使用“可能”“一般”“通常”“建议”等模糊表述。所有字段说明的推导必须基于当前JSON中真实出现的值。尤为关键的一点：如果字段值是整数，描述中绝对不能写成“浮点数”。

这三道防线齐下，AI凭经验“补全”和“想当然”的路径就被彻底封堵。它只能老老实实基于输入数据，做出确定性判断，别无他选。

来源：互联网