要从 OpenAI 模型生成 JSON 响应，您可以使用 API 的内置参数和提示工程来构建输出。首先，在 API 请求中指定 response_format 参数并将其设置为 { "type": "json_object" }。 这会告诉模型返回有效的 JSON。但是，您还必须包含一个系统或用户消息，明确指示模型生成 JSON，因为仅格式不足以完成。例如，像“仅以有效的 JSON 格式回复”这样的系统提示与诸如“列出 2023 年前 5 名的编程语言及其用例”的用户查询配对，可确保模型理解该要求。如果没有明确的说明，该模型可能会将 JSON 与纯文本混合或使用不正确的语法。
一种常见的方法是在您的提示中定义一个 JSON 模式，以指导输出结构。例如，如果您想要有关天气状况的数据，您可以提示：“生成一个 JSON 对象，其中包含西雅图的 'temperature'、'conditions' 和 'humidity' 键。” 然后，模型将尝试遵循此模板。 像 OpenAI 的函数调用功能之类的工具也可以通过让您定义预期输出的模式来提供帮助。例如，您可以指定一个带有参数的函数，例如 {"location": "string", "temperature": "number"}，并要求模型填写它。 此方法对于从非结构化文本中提取结构化数据特别有用，例如将用户请求解析为可用于 API 的格式。
使用 JSON 响应时，验证至关重要。即使使用 response_format 参数，输出偶尔也可能包含语法错误或意外的键。 使用 JSON 解析器（如 Python 的 json 模块）来捕获格式错误的响应，并在需要时实施重试逻辑。 例如，在 Python 中，您可以将 API 调用包装在 try-except 块中以处理 json.JSONDecodeError 异常。此外，测试不同的温度设置（较低的值（如 0.2）会减少随机性）和迭代地改进提示可以提高一致性。如果模型难以处理嵌套结构，请将任务分解为更小的步骤——首先请求项目列表，然后分别将每个项目格式化为 JSON。 始终查看 OpenAI 文档以获取特定于模型的约束，因为较旧的模型可能不支持 JSON 模式。