結構化輸出 Prompt 教學：讓 AI 穩定吐出 JSON、表格與固定格式，直接接系統自動化

你叫 AI 幫你把一堆訂單整理成表格，第一次它乖乖回你漂亮的 JSON，第二次卻多了一段「好的，以下是整理結果」，第三次欄位名又自己改成英文——只要你想把 AI 的回答直接餵進系統、試算表或自動化流程，這種「格式每次都跑掉」的問題就會讓你抓狂。

這篇要解決的問題：怎麼設計 Prompt，讓 AI 每次都穩定輸出可被程式解析的結構化資料（JSON、表格、固定欄位）？ 適合誰讀：想把 AI 接進自動化、營運報表、客服系統的營運、行銷、工程與一人公司工作者。 讀完你會得到：一套可重複使用的結構化輸出設計法、可複製的 Prompt 與 Workflow 流程圖，以及一個台灣團隊導入前後的真實對照。

為什麼結構化輸出這麼重要？

對話框裡，AI 回得漂不漂亮你一眼就看得出來；但當你要把 AI 接到下游系統——例如自動寫進 Google 試算表、觸發 n8n 流程、塞進資料庫、餵給另一個 AI Agent——「漂亮」沒有意義，「格式正確、欄位穩定、機器讀得懂」才有意義。

差別在於對象換了。聊天時的讀者是人，人可以容忍多一句廢話、欄位順序換一下；但程式不行。程式期待的是一份契約：欄位叫什麼、是什麼型別、有沒有可能是空的，全部都要事先講好。只要 AI 某一次自作主張多包一層、或把數字寫成「約三千」，你的自動化流程就會在半夜默默解析失敗、整條斷掉。

這也是很多人「AI 自動化做不起來」的真正原因：不是模型不夠聰明，而是輸出不可預測。把輸出穩定下來，AI 才從「好玩的玩具」變成「可上線的零件」。

核心概念：把 AI 當成「會偶爾手滑的 API」

理解結構化輸出，最有用的比喻是：把 AI 想成一個很厲害、但偶爾會手滑的 API。

一般的程式 API，你給它什麼參數、它回你什麼格式，幾乎百分之百固定。AI 不是——它是機率性生成文字的模型，沒有約束時，它會憑「語感」幫你補東西。所以你的工作，就是把這個「會手滑的 API」用各種手段收斂到接近確定。

收斂的手段大致分三層，由弱到強：

一句話：能用結構化輸出功能就用，不能用時就靠範例＋明確規則把格式逼出來，最後一定要在程式端驗證。 不要只靠「拜託 AI」這一層。

關於用範例鎖定格式的更多技巧，可以延伸閱讀 ChatGPT Prompt 寫作指南。

實際教學：五步驟設計穩定的結構化輸出

Step 1：先定義輸出的資料結構，再寫 Prompt

最常見的錯誤是「先叫 AI 做，再來收拾格式」。正確順序相反：先問下游系統要吃什麼。

打開你的試算表或資料庫，把欄位列出來，每個欄位想清楚三件事：欄位名（建議全用英文小寫、底線分隔，避免中文當 key）、型別（字串、數字、布林、陣列）、是否可為空。例如要整理客戶詢問：

order_id（字串，必填）
customer_name（字串，必填）
amount（數字，可為 null）
status（字串，只能是 new / processing / done）

這份清單就是你的 schema，後面所有 Prompt 都圍著它寫。

Step 2：用範例鎖定格式（few-shot）

與其用一長串文字描述格式，不如直接給一個完整範例讓 AI 照抄。模型很擅長模仿結構，給範例的穩定度遠高於純口頭描述：

範例輸出（請完全照這個結構）：
{"order_id": "A1001", "customer_name": "林小姐", "amount": 3200, "status": "new"}

如果欄位有「允許值」（像 status 只能三選一），務必在範例之外再用文字明訂，避免 AI 自己發明新值。

Step 3：明令「只輸出資料」，砍掉一切多餘文字

AI 預設很愛當好人，前面加「好的，以下是…」、後面補「希望對你有幫助」、甚至把 JSON 包進 ```json 程式碼框。這些對人友善，對程式全是雜訊。

在 Prompt 結尾加上一段硬規則：

輸出規則：
- 直接輸出 JSON，不要任何說明文字、前言或結語
- 不要使用 Markdown 程式碼框（不要 ```）
- 第一個字元必須是 {，最後一個字元必須是 }

Step 4：預先規定缺漏與不確定怎麼處理

真實資料一定有缺漏。如果你不講，AI 會自由發揮——有時省略整個欄位（害你的程式找不到 key 而報錯）、有時自己填「未提供」這種你沒約定的字串。

事先講死：「資料不存在時，數字欄位填 null、文字欄位填空字串，欄位一律保留、不可省略。」這一句話能擋掉大量解析錯誤。

Step 5：在程式端驗證並建立重試迴圈

最後一道防線在程式，不在 Prompt。拿到 AI 輸出後，用 schema 驗證（型別對不對、必填欄位在不在、status 是否在允許值內）。一旦驗證失敗，不要直接報錯給使用者，而是把「錯誤訊息＋原始輸出」回丟給 AI，請它修正後重試一次。這個「驗證失敗就帶錯誤回去重生」的迴圈，是讓自動化穩定上線的關鍵。

想讓這套流程接上真實工具與資料源，可以參考 MCP 是什麼？讓 AI Agent 連上工具 與 RAG 是什麼？讓 AI 引用你的資料。

範例：Prompt 與 Workflow

可複製的 Prompt 範本

你是一個資料擷取引擎。你的任務是把使用者提供的客戶詢問訊息，轉成固定格式的 JSON。

【輸出 schema】
{
  "order_id": 字串，訂單編號，若無則填空字串,
  "customer_name": 字串，客戶稱呼，若無則填空字串,
  "amount": 數字，金額（純數字，不含貨幣符號），若無則填 null,
  "status": 字串，只能是 "new" / "processing" / "done" 三者之一，無法判斷時填 "new",
  "summary": 字串，一句話摘要這則詢問
}

【範例輸出】
{"order_id": "A1001", "customer_name": "林小姐", "amount": 3200, "status": "new", "summary": "詢問訂單到貨時間"}

【輸出規則】
- 直接輸出單一個 JSON 物件，不要任何說明文字、前言或結語
- 不要使用 Markdown 程式碼框，不要出現 ```
- 所有欄位一律保留，不可省略；缺資料依 schema 規定填 null 或空字串
- 字串值內避免使用雙引號，必要時改寫

【待處理訊息】
{在此貼上客戶訊息}

Workflow 流程圖（文字版）

[來源訊息 / 表單 / Email]
        │
        ▼
[組裝 Prompt：schema + 範例 + 規則]
        │
        ▼
[呼叫 AI（盡量開啟 JSON 模式 / 結構化輸出）]
        │
        ▼
[程式清洗：去掉多餘文字與 ``` 標記]
        │
        ▼
[用 schema 驗證型別與允許值]
        │
   ┌────┴────┐
   ▼         ▼
 通過       失敗
   │         │
   │         ▼
   │   [帶錯誤訊息回丟 AI 修正，重試一次]
   │         │
   ▼         ▼
[寫入試算表 / 資料庫 / 觸發下一個流程]

這條流程的精神是：AI 負責理解與抽取，程式負責把關格式。兩邊各做自己擅長的事，自動化才跑得久。

常見錯誤

• 只靠 Prompt 拜託、不在程式端驗證：再完美的 Prompt 都有失手的一天，沒有驗證與重試，遲早在半夜斷線。
• 用中文當 JSON 的 key：欄位名用中文容易踩到編碼與相容性問題，key 一律用英文小寫加底線，中文放在值裡就好。
• 沒規定缺漏處理，欄位時有時無：AI 省略欄位是解析失敗的頭號元兇，務必明訂「欄位一律保留」。
• 巢狀結構塞太深一次到位：欄位多、層級深時，AI 漏欄位的機率暴增。拆成多段產生或先扁平化再組裝會穩很多。
• 忘了砍掉 ``` 與前後綴：很多人 Prompt 寫了不要程式碼框，AI 還是加。程式端一定要做一層清洗，別假設 Prompt 百分百生效。
• 允許值沒寫死：像 status 這種只能幾選一的欄位，沒明訂允許值，AI 會發明你系統不認得的新值。

最佳實務

• 能用結構化輸出功能就用：許多主流模型已支援 JSON 模式或依 schema 強制輸出，可靠度遠勝純 Prompt，正式上線優先採用。
• Prompt 講語意，系統管格式：用 Prompt 把每個欄位的意義講清楚，用 JSON 模式與程式驗證保障格式合法，兩者分工。
• 範例優於描述：給一個完整輸出範例，比寫三段文字說明更能鎖定結構。
• 欄位語意明確、型別寫死：每個欄位都註明型別、是否必填、允許值，把模糊空間降到最低。
• 建立自我修復迴圈：驗證失敗時自動帶錯誤訊息重試，是低成本卻高效的穩定性提升。
• 保留原始輸出做日誌：解析失敗時記下 AI 的原始回應，方便除錯與持續優化 Prompt。
• 拆解複雜結構：與其一次生出深層巢狀，不如分段產生再由程式組裝，準確率更高。

實際案例：台灣電商客服的詢問自動分類

情境：一家位於台中的中小型電商，每天 LINE 與 Email 進來上百則客戶訊息，過去由兩位客服人員手動判讀，再貼到 Google 試算表分類，標上「訂單查詢／退換貨／一般詢問」與處理狀態，供主管追蹤。

導入前：每則訊息平均要花 1 分多鐘讀懂、分類、貼進表格；尖峰時段訊息塞車、欄位常漏填，主管的儀表板數字對不起來，月底還要花半天人工校正。

導入後：團隊用上面這套結構化輸出 Prompt，把每則訊息丟給 AI，要求輸出固定 JSON（類別、緊急程度、一句話摘要、建議回覆方向），程式端用 schema 驗證，失敗就自動帶錯誤重試一次，通過就寫進試算表並觸發 n8n 流程分派給對應客服。關鍵動作（例如標記為退款）仍保留人工確認。

成果數據：

原創觀點：這個案例最值得學的，不是「AI 很神」，而是他們花最多力氣的地方是『程式端驗證』，而不是『把 Prompt 寫得更花俏』。很多團隊以為結構化輸出是 Prompt 工程問題，拼命調字句；但真正讓它能上線的，是把 AI 當成「會手滑的 API」、在系統層補上驗證與重試這道安全網。Prompt 負責把命中率從六成拉到九成，驗證迴圈負責把剩下那一成的失誤擋在門外——兩者缺一不可，而後者常被忽略。

結論

讓 AI 穩定輸出結構化資料，本質是一場「把機率性輸出收斂成可預測契約」的工程。記住三層收斂：用範例鎖定格式、用明確規則砍掉雜訊、用程式端驗證與重試守住最後一道防線。再加上「能用結構化輸出功能就用、Prompt 講語意系統管格式、欄位型別與允許值一律寫死」這幾個原則，你就能把 AI 從對話框裡的玩具，變成自動化流程上可靠的零件。

下一步，挑一個你目前還在手動整理的資料任務——客服分類、發票擷取、表單彙整都好——照著本文的五步驟與 Prompt 範本試做一次，再用 Prompt 產生器 微調你的欄位設計。當第一條自動化流程穩定跑起來，你會發現「AI 接系統」其實沒那麼難，難的只是一開始沒人告訴你：重點不在拜託 AI，而在驗證它。

❓ 常見問題 FAQ

🔗 延伸閱讀

• ChatGPT Prompt 寫作指南
• RAG 是什麼？讓 AI 引用你的資料
• MCP 是什麼？讓 AI Agent 連上工具
• 工作流知識庫：可套用的自動化藍圖
• 用 Prompt 產生器生成你的配方