结构化输出还需过事实校验这一关

JSON 能被解析、字段齐全、类型正确，里面的事实仍然可能是编的。作者用三本虚构图书演示了一个容易漏掉的问题：来源没有提供出版年份，输出却填上了一个看起来合理的整数。

这不是某个模型的实测翻车记录，而是刻意构造的练习。它值得程序员花几分钟看，因为它把 AI 数据提取中的检查拆清楚了：语法、结构、来源一致性，任何一层都不能替下一层作保证。

为什么格式全对，数据还是错的

练习给出的来源只有三条记录：

• Paper Signals，作者 A. Dube，2021 年，评分 4。
• Quiet Circuits，作者 T. Moyo，2023 年，评分 5。
• Small Useful Things，作者 N. Rao，年份未知，评分 3。

输出约定也很明确：恰好三条记录，只能使用小写的 title、author、year、rating 四个键；year 是整数或 null，rating 是 1 到 5 的整数。

下面这段刻意构造的错误输出，用来说明格式检查会漏掉什么：

[
  {
    "title": "Paper Signals",
    "author": "A. Dube",
    "year": 2021,
    "rating": 4
  },
  {
    "title": "Quiet Circuits",
    "author": "T. Moyo",
    "year": 2023,
    "rating": 5
  },
  {
    "title": "Small Useful Things",
    "author": "N. Rao",
    "year": 2020,
    "rating": 3
  }
]

要看的是最后一条记录的 "year": 2020。它符合整数类型，却没有来源支持。只检查数组长度、字段、类型和评分范围的校验器，完全可能放行。

解析成功只能证明格式可读，不能证明内容可信。

把检查拆成三层，才能知道错在哪里

作者建议分别检查三个问题。

第一层是语法：字符串能不能被 JSON.parse 接受？例如，添加尾随逗号，应当在这里失败。这一层不关心书名和年份是否真实。

第二层是结构：是否恰好三条记录？键是否精确匹配？字段类型和取值范围是否正确？把评分改成字符串，或者把整数评分改成 9，都应当在这里被拦住。

第三层才是来源一致性：逐项对照输入，确认输出有没有改写、遗漏或补造信息。那个类型正确的 2020，需要这一层才能识别。

修复方式是把第三本书的年份改为 "year": null。这里的 null 表示「提供的来源没有年份」，并不是断言这本书没有出版年份。如果业务必须拿到年份，就应标记为待核实，而不是悄悄补齐。

作者还给了一段约束提示词，用来明确提取范围和缺失值规则：

Convert only the three supplied fictional book records to a JSON array. Use exactly title, author, year and rating. Preserve unknown year as null. Do not add authors, titles or dates. Return JSON only. After generation, I will separately check syntax, shape and each value against the source.

要看的是 Preserve unknown year as null，以及最后一句关于生成后独立检查的约定。提示词说明了要求，但不能代替检查结果。

练习的方法也很直接：每次只改一个地方，分别加入尾随逗号、字符串评分、评分 9，或用合理年份替换 null，然后判断应该由哪一层发现错误。

我的判断

这篇最有用的地方，是把「格式正确」和「忠于来源」分开了。对于 AI 提取任务，校验器接受一个值，与输入材料支持这个值，是两件事。

但它只是教学示例。作者明确说明，图书是虚构的，错误也是人为构造的，没有提供模型对照、错误率或提示词效果数据。因此，不能据此判断某个模型有多容易编造，也不能宣称这段提示词能降低多少错误。

常见的结构校验仍然有用，它负责发现缺字段、类型错误和越界值。本文补上的是它覆盖不到的一层。至于来源核对如何自动化，原文没有说清；三条明确记录可以人工逐项检查，更复杂的材料还需要另行设计核验办法。

作者维护的 Open Practice 是独立、非认证的实践活动集合。完整练习包含虚构测试样例、本地 JSON 检查器、可编辑笔记和离线导出；学习材料免费，可选托管 AI 工具有各自限制，也可以不注册 AI 账号、直接人工查看参考内容。这些是练习条件，不是产品效果证明。

能拿来做什么

• 在前端或 Node 的 AI 数据提取流程中，把解析、结构校验和来源核对分别处理，避免一个「校验通过」掩盖不同层面的结果。
• 对输入中缺失的字段明确约定表示方式。这个例子允许年份使用 null，业务必须知道年份时，再进入待核实流程。
• 用文中的四种改动检查现有流程：尾随逗号、字符串评分、评分 9、补造年份，并确认每种错误由哪一层发现。
• 编写提取提示词时，写清记录范围、精确字段和未知值规则，同时保留原始输入，供生成后逐项比对。