ai输出结构由prompt指令层级决定，需用标题编号、角色任务限定、分隔符占位符和结构化动作指令明确搭建层级脚手架，而非依赖模型自行理解。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
AI 的输出结构不是随机的，而是由 Prompt 中的指令层级决定的。想让回答有条理、分主次、带格式，关键不是等模型“自己理解”，而是用明确的结构化指令告诉它“怎么组织内容”。
用标题与编号显式定义层级
直接在 Prompt 中要求使用特定标题级别（如 H2/H3）或数字编号（1. 2. 3.），能有效约束输出骨架。模型会优先遵循这类具象格式指令，而非模糊的“请分点说明”。
- ✅ 推荐写法：“请用二级标题（##）分隔每个核心观点，每个标题下用三点简述，每点以‘•’开头”
- ❌ 模糊写法：“请逻辑清晰地回答”——模型缺乏可执行依据
- 实际效果：这样写后，输出会稳定呈现为 ## 观点一 → •… •… •…，## 观点二 → •…，层级肉眼可见
通过角色+任务双重限定控制粒度
角色决定语气和视角，任务决定信息密度和展开深度。两者叠加，就能锚定表达层级——比如“作为技术文档工程师，用三段话说明原理，每段不超过80字，第三段必须含一个对比表格”。
- 角色越具体（如“初中物理老师”“SaaS 产品文案”），模型越倾向匹配该角色惯用的信息颗粒度
- 任务中嵌入字数、段落数、是否含示例/表格/引用等硬性条件，等于给层级加了刻度尺
- 例如：“以 UX 设计师身份，用两句话解释‘渐进式披露’，再举一个移动端 App 的真实交互例子”——自然形成“定义→实例”两级结构
用分隔符与占位符预设内容区块
在 Prompt 中插入自定义分隔符（如 ---、[核心结论]、[操作步骤]）或占位符（如 {第一步}、{风险提示}），相当于给模型画好“填空模板”。它会把内容严格塞进指定槽位，避免自由发挥打乱层级。
- 适合需要强结构的场景：报告、教案、检查清单、API 文档
- 示例指令：“按以下结构输出：[背景]（50字内）→ [问题本质]（一句话）→ [解决路径]（分三步，每步用‘→’开头）→ [常见误区]（列两点，每点前加⚠️）”
- 优势：即使模型生成内容变长，区块边界依然清晰，后期处理或人工阅读都省力
禁用模糊动词，改用结构化动作指令
“分析”“探讨”“阐述”这类动词太宽泛，模型容易默认平铺直叙。换成“对比 A 与 B 的三个差异”“按时间顺序列出四阶段”“将输入拆解为前提/假设/结论三部分”，就直接锁定了逻辑关系和层级数量。
- 结构化动作 = 关系词 + 数量 + 元素类型（如“并列三项”“因果两层”“总分三块”）
- 关系词是关键：用“对比/排序/拆解/映射/归类/推导”替代“说明/介绍”，立刻提升结构精度
- 数量限制（“三点”“两层”“四个步骤”）比“若干”“多个”更可靠，模型对数字响应最稳定
不复杂但容易忽略：层级不是模型的默认能力，而是你用指令“搭建”的脚手架。每次写 Prompt 前，先问自己——这段输出，读者需要先看什么？再看什么？哪些必须并列？哪些必须嵌套？答案就是你的层级蓝图。
