1. 为什么 JSON 效果很好？
使用 JSON 或类似的结构化格式（如 YAML, XML）之所以有效，是因为：
- 消除歧义： 明确了字段名和内容的边界，模型不会混淆“要求”和“参考资料”。
- 逻辑严密： 强迫模型按照 KV（键值对）的关系去理解任务，非常适合多步骤、复杂规则的任务。
- 易于解析： 如果你的 AI 输出需要对接程序代码，JSON 是最佳选择。
示例：
{
"task": "翻译",
"source_language": "中文",
"target_language": "英语",
"style": "学术",
"content": "这里是需要翻译的内容"
}
2. 除了 JSON，还有哪些高效格式？
A. Markdown（最推荐的通用格式）
Markdown 是 LLM（大语言模型）训练数据中最常见的格式。它对模型非常友好，视觉上也易于人类阅读。
- 适用场景： 撰写长文、设定角色、多层级指令。
- 技巧： 使用
##标题区分模块，使用**加粗**强调重点。
B. XML（长文本/复杂任务的神器）
尤其是 Claude 系列模型，对 XML 标签（如 <instruction></instruction>）的敏感度极高。
-
优点： 能够清晰地包裹长文本，防止模型在大规模上下文中迷失。
-
示例：
XML
<context> 这里是背景信息... </context> <rules> 1. 不要使用术语 2. 语气幽默 </rules>
C. YAML（兼顾可读与结构）
YAML 像 JSON 一样结构化，但没有那么多大括号和引号，视觉上更清爽。
- 适用场景： 复杂的参数设定。
D. 伪代码（逻辑推理神器）
对于数学、编程或需要严格逻辑顺序的任务，使用类似编程语言的伪代码效果极佳。
-
示例：
Python
if user_input == "询问价格": refer_to(price_list) else: say("我不确定")
3. 各种格式对比表
| 格式 | 优点 | 缺点 | 推荐场景 |
|---|---|---|---|
| 纯文本 | 简单、快捷 | 复杂指令下容易产生歧义 | 简单的问答、日常闲聊 |
| Markdown | 层级分明，对模型最友好 | 无明显缺点 | 大多数常规任务（首选） |
| JSON | 极其精确，适合程序对接 | 编写较繁琐，容易漏括号 | 自动化工作流、结构化数据输出 |
| XML | 强力分隔上下文，Claude 表现优异 | 视觉上稍显拥挤 | 长文档处理、复杂逻辑引导 |
| YAML | 易读性强，结构化 | 缩进敏感 | 设定 AI 角色参数、配置文件 |
4. 最后：如何选择？
- 如果你是在写复杂的 Prompt： 优先使用 Markdown（用标题和列表划分模块）。
- 如果你希望模型输出特定格式： 明确告诉它“请以 JSON 格式输出”。
- 如果你在处理超长文本： 尝试用 XML 标签把不同的部分（背景、示例、指令）包裹起来。
- 如果任务涉及严密的条件判断： 尝试用 伪代码 逻辑。
