结构化输出的关键不在提示词长短，而在输出契约、任务拆解、示例校验与模板复用的配合。本文面向AI指导老师，给出可落地的DeepSeek输出控制方法。
在AI指导老师的日常工作中，DeepSeek常被用来生成教案、练习题、学员反馈和评估量规。这些内容如果只停留在聊天窗口里，人工复制整理的成本很高；一旦要进入教研库、学习管理系统或自动评分流程，格式漂移、字段缺失和口径不一致就会立刻暴露。结构化输出不是简单加一句“请用JSON”，而是把模型输出当作一份需要验收的接口契约来设计，让模型知道要交付什么、以什么形态交付、哪些边界不能突破。
1. 明确输出契约：用字段与格式锁定结果
输出契约的核心是把“写得好”转成“交得齐”。模型生成具有概率性，提示越开放，措辞和结构就越容易漂移；当字段名、数据类型、必填项、枚举值和排序规则被写清楚后，模型的搜索空间会被显著压缩，解析程序也才有稳定的抓手。对AI指导老师来说，这意味着在系统提示里不能只说“生成一份课堂反馈”，而要说明输出是一个对象，包含学员姓名、进步描述、证据片段、下一步行动等字段，其中进步描述限定为字符串，证据片段必须引用课堂任务或作业中的具体表现，下一步行动限定为可执行的一到两项建议。
字段设计要兼顾人读和机读。字段名保持稳定，避免同一份模板里出现“建议”“下一步”“行动项”三种叫法；枚举值要穷举常见情况，比如掌握程度只允许“未掌握、部分掌握、熟练”三档，防止模型自由发挥出“较好”“不错”这类无法统计的表述；空值策略也要提前约定，是返回空字符串、null还是固定提示语，直接影响后续入库。某教研团队在课堂反馈任务中做过对比，只写“请输出JSON”时，约三成样本带有解释性前后缀或字段名不一致；加入字段清单、枚举约束和“只输出结构化结果，不要代码围栏”的要求后，可直接解析的比例明显上升。
格式约束还需要和调用参数配合。在API调用中把温度调低到0.2左右，减少措辞漂移；把最大输出长度设得略高于目标长度，避免字段被截断；对推理型模型，可以在提示中要求把推理过程留在内部，最终只保留结构化结果，或者把推理摘要放进单独字段，避免它混入业务字段。契约写完后还要用真实样本试跑，检查模型是否会在长文本字段里塞入换行、在数组字段里返回单个字符串，这些细节往往比提示词是否漂亮更影响落地。
2. 拆解任务链路：把复杂目标转成可执行步骤
复杂教学任务不适合一次性压给模型。生成一套四周课程包，往往同时包含课程大纲、每周目标、课堂活动、练习题、答案解析和评估量规，如果在一个提示里全部要求，模型容易顾此失彼，结构也会变得松散。更稳妥的做法是把任务拆成有先后依赖的链路，每一步只交付一种中间产物，并给下一步提供固定输入。这样既降低单次生成的认知负担，也让AI指导老师能在中间环节做人工抽查，而不是等到最后才发现口径跑偏。
以Python入门四周课程为例，可以先让DeepSeek输出周主题和知识点矩阵，固定列为周次、主题、核心知识点、先修关系；再针对每周生成三个可测量的学习目标，要求使用“能够识别”“能够编写”“能够调试”这类可观察动词；随后基于每个目标生成两道题，题目字段包含题干、参考答案、解析和常见错误；最后生成评分量规，把目标达成度拆成若干等级并写明证据来源。每一轮都只接收上一轮的结构化结果作为输入，模型不需要重新理解全部背景，输出稳定性会更好。中间产物还能直接复用，知识点矩阵可以进教研库，题目可以进题库，量规可以进评价系统。
拆解链路时要注意粒度。拆得太细会导致提示数量膨胀，拆得太粗又回到一次性生成的老问题。一个实用判断是看输出是否会被不同角色使用：给学员看的反馈、给教研看的教案、给系统用的评分字段，最好分开生成。链路中的每一步都要写明输入边界和输出字段，避免模型把上一轮的解析文字带进下一轮。对于需要比较方案的场景，可以让模型先给出候选结构，再按事先写明的标准选择，但最终交付仍然只保留选定后的结构化结果，不把候选过程混入业务字段。
3. 嵌入示例与校验：让模型在约束中自我修正
示例比抽象描述更能稳定输出形态。一个高质量示例应当覆盖正常情况、边界情况和易错情况，而不是只给最漂亮的样板。比如生成学员评价时，示例里可以包含一名进步明显但出勤不稳定的学员，展示证据字段如何引用具体作业，下一步行动如何写成可执行建议；再包含一名数据缺失的学员，展示空值字段如何填写。示例中的字段顺序、标点习惯和长度尺度会直接影响模型模仿，因此示例本身也要经过校验，不能把错误格式当成范本。
校验要分两层。提示内校验是让模型在输出前做自检，明确要求它检查字段是否齐全、枚举值是否合法、数值是否落在约定区间、总字数是否超出限制，如果发现不满足就先修正再输出最终结果。外部校验则用程序读取结构化结果，按字段规则逐项检查，失败时把具体错误信息回传给模型做一次修正，通常一到两轮即可收敛。某次题目生成任务中，模型把难度系数写成“中等”而不是约定的1到5整数，外部校验捕获后回传“difficulty字段必须为整数且范围为1到5”，模型在第二轮就完成了修正。这个过程比反复重写整段提示更高效，也更容易沉淀为固定流程。
示例和校验要一起设计。示例负责告诉模型“长什么样”，校验负责告诉模型“错在哪里”。对AI指导老师而言，可以把常见失败案例整理成校验规则，例如反馈中的“下一步行动”不得少于一个动词、评分量规的等级描述不得互相包含、题目解析不得只写“略”。这些规则不需要写得像法律条文，但要足够具体，能让模型在生成时有的放矢。温度、重试次数和修正轮次也应有上限，避免为了追求格式完美而无限循环，影响教学任务的整体效率。
4. 场景化模板复用：从单次提示到教学工作流
高频教学任务应当沉淀为模板，而不是每次从零写提示。一个可复用的模板至少包含角色说明、输入变量、输出契约、示例片段和校验规则五个部分，其中输入变量要写清楚哪些信息由AI指导老师提供，哪些信息允许模型补全。比如周教案生成模板可以固定输出学情假设、学习目标、课堂活动、分层支持和评估证据五个段落，每个段落再约定字段和长度，使用时只替换学员水平、课时安排和教学目标，输出就能直接进入教研库，减少二次整理。
模板复用的价值在于把个人经验变成团队资产。某AI指导老师团队把“课堂反馈”“题目生成”“课程大纲”“评估量规”四类任务做成模板，每类模板都附带两三个通过校验的示例和一份失败案例清单，新成员不需要理解全部提示技巧，只要按模板填写输入就能得到可解析的结果。团队每周抽样检查字段完整率、格式合规率和人工修改率，发现某类任务的修改率上升，就回看是示例过时、枚举值不够还是模型版本变化，再对模板做小版本更新。这样的迭代比追求一次性完美提示更符合真实工作流。
模板还要留出版本管理的位置。提示版本、模型版本、调用参数和校验规则应当一起记录，否则同一模板在不同时间跑出不同结果时很难定位原因。对教学场景来说，模板不必追求覆盖所有情况，而应优先覆盖重复率高、格式要求明确、下游系统需要解析的任务。把模板、示例和校验规则放在同一个知识库里维护，AI指导老师就能把DeepSeek从聊天工具变成稳定的生产环节，模板库也由此从个人经验变成团队可维护的教研资产。
