在AI产品落地过程中，提示词（Prompt）的质量直接决定了模型输出的效果。本文系统介绍了如何利用Markdown、XML和JSON三种结构化格式，设计清晰、可维护、可扩展的“生产级”提示词。

为什么要撰写结构化提示词？

当提示词变得复杂，包含多重指令、大量上下文和具体示例时，一个扁平的、无结构的文本块会让模型难以区分不同信息的优先级 。就像给员工下达一个冗长且毫无重点的口头指令，很容易导致误解和执行偏差。

结构化提示词通过使用明确的分隔符、标签或语法，将提示词分解为逻辑清晰的模块。这带来了几个核心优势：

• 减少歧义：清晰地标示出哪些是指令、哪些是上下文、哪些是用户输入，让模型准确理解每个部分的意图 。
• 提升指令遵循能力：当任务被分解并结构化呈现时，模型能更好地按步骤执行，输出结果更符合预期 。
• 增强可维护性：结构化的提示词更易于团队成员理解、修改和复用，降低了长期维护的成本 。

结构化格式为何有效：从模型训练原理理解

要理解为什么Markdown、XML和JSON等格式对LLM特别有效，我们需要回归到模型训练的本质。LLM是通过学习海量互联网文本数据中的统计规律来工作的。这些训练数据中，有相当大一部分本身就是高度结构化的 。

• 数据基础：互联网充满了用HTML和XML构建的网页、用Markdown编写的论坛帖子和文档、以及在API通信中广泛使用的JSON数据。
• 模式学习：在训练过程中，模型已经内隐地学习到了这些结构化标记（如<h1>、<instruction>、”key”: “value”）所蕴含的语义模式。例如，模型知道<h1>标签内的文本通常是标题，<example>标签内的内容是示例，而JSON的键值对结构则代表了清晰的数据关系 。
• 激活已知模式：因此，当我们在提示词中使用这些格式时，我们并非在教模型一种新语言，而是在“激活”它早已熟知的模式。这使得我们的指令意图能够被更准确地捕捉，其效果远胜于一段普通的自然语言描述。这就像与一个熟悉图表的人交流时，使用图表会比纯文字描述更高效。

Markdown：清晰易读的首选

Markdown是一种轻量级标记语言，因其简洁、直观的语法而广受欢迎，是联系撰写结构化提示词的入门选择 。

优势：

• 高可读性：使用#表示标题，-或*表示列表，**text**表示加粗，使得提示词的逻辑层次一目了然，无论是对人还是对AI都非常友好 。
• 易于编写和维护：语法简单，无需复杂的工具即可编写。
• 提升指令遵循：研究和实践表明，将指令格式化为项目符号列表（bullet points）能显著提高LLM的指令遵循准确率 。

案例：使用Markdown重构一个复杂的写作任务

重构前（非结构化提示词）：

我需要你写一个关于宇航员发现新行星的短篇故事。故事里要有一个会说话的外星人，一场太空战斗，以及一个结局反转，揭示这一切都只是一个游戏。请把故事控制在500字以内。

这个提示词将所有要求混杂在一起，模型需要自行梳理。

重构后（使用Markdown的结构化提示词）：

通过使用Markdown的标题和列表，我们将任务、角色、情节和约束条件清晰地分离开来，极大地降低了模型的理解难度，从而能够生成更符合要求的高质量内容 。

用XML重构提示词：实现语义结构化

XML（Extensible Markup Language）作为一种设计用于传输和存储数据的标记语言，核心优势在于自描述性和层次化结构。

优势：

• 语义清晰：XML的标签结构让AI能够更好地理解不同部分的作用和重要性。相比于纯文本，XML提供了明确的语义边界。
• 层次分明：复杂的提示词往往包含多个层次的信息，XML的嵌套结构完美契合这一需求。
• 易于解析：现代AI模型对XML格式有很好的理解能力，能够准确识别和处理结构化信息。

如何用XML撰写提示词

XML 指令使用“标签”进行组织，每个指令部分都用一个开放标签（例如，<agentinstructions>）和一个相应的闭合标签（</agentinstructions>）包裹起来。闭合标签在名称前包含一个正斜杠。

这种结构类似于打包搬家时的箱子，主标签是最大的箱子，而像“角色”、“目标”和“任务”这样的子部分则是嵌套在其中的较小的箱子。这种分层方法允许清晰的组织和模块化，人类和 AI 都能轻松阅读和处理。

基本结构设计原则：

• 使用语义化的标签名称
• 保持层次结构的逻辑性
• 将不同类型的信息分离到不同标签中
• 使用属性来添加元数据

建议在撰写时通过缩进嵌套标签来保持结构化外观。

JSON：连接AI与外部工具

JSON（JavaScript Object Notation）是一种轻量级的数据交换格式，在提示词工程中，它主要用于实现一个强大的功能：函数调用（FunctionCalling）。

什么是函数调用？ 函数调用是一种让LLM与外部工具或API进行交互的能力 。

当用户的请求需要模型自身知识库之外的信息时，如实时天气、公司内部数据库数据、执行某个软件操作。模型不会直接回答，而是会生成一个特定格式的JSON对象。这个JSON对象精确地描述了需要调用哪个函数，以及需要传递什么参数 。

通过在提示词中明确要求LLM生成符合特定JSONSchema的输出，能够解决系统集成的“最后一公里“难题。

核心优势

• 可靠的机器解析：应用后端可以直接将LLM返回的JSON字符串反序列化为对象或数据结构，无需任何脆弱的文本解析逻辑。这让AI的输出变得像调用一个传统的、确定性的API一样可靠。
• 无缝的系统集成：结构化的JSON输出可以直接用于填充数据库、调用其他API、驱动前端UI渲染，或作为复杂工作流（Agentic Workflows）中下一步的输入。
• 精确的数据结构定义：定义JSON Schema本身也是在向模型施加一种强大的逻辑约束，迫使其思考如何将分析结果填充到预设的字段中，这反过来也提升了输出内容的质量和完整性。
• 示例数据提供：通过JSON格式的示例，模型能够更好地理解期望的输出格式。

工作流程

1. 定义工具：在提示词中，使用JSON Schema的格式向模型描述可用的外部函数（工具），包括函数名、功能描述和参数列表。
2. 模型决策：模型分析用户输入，判断是否需要调用某个已定义的函数来回答问题。
3. 生成JSON：如果需要，模型会输出一个包含函数名和参数的JSON对象。
4. 应用执行：你的应用程序代码接收到这个JSON，解析它，并实际执行相应的API调用或函数。
5. 返回结果：将函数执行的结果返回给模型。
6. 最终回复：模型基于函数返回的结果，生成最终的自然语言回复给用户。

案例：通过JSON实现工具调用

第一步：向模型描述工具，一般在提示词中我们会提供一个工具列表。

说明这个工具是：

• 用来干什么的
• 需要调用这个工具的用户输入长什么样
• 以及成功调用这个工具需要用到哪些字段

第二步：用户提问 用户输入：“张三的电话号码和邮箱是什么”

第三步：模型生成JSON（函数调用）

模型不会直接回答，而是会返回一个tool_calls对象，其中包含以下JSON ：

说明调用了人员查询工具，输入的字段为人名张三

第四步及之后： 应用程序代码会调用真实的API，并将返回的人员信息

如“张三，电话：13794785945，邮箱： zhangsan@123.com”，再喂给模型。

模型最后会根据返回信息生成对用户的友好回复：“张三的电话是13794785945，邮箱是 zhangsan@123.com”

对于产品经理和业务人员来说，理解函数调用至关重要。

它意味着LLM不再是一个封闭的知识库，而是可以被授权访问和操作任何外部数据和系统的“智能中枢”，这极大地扩展了AI应用的想象空间和商业价值 。