即使提示词要求只输出JSON，模型也可能返回解释文字、缺失字段或类型变化。很多团队在这件事上容易先看工具功能，实际上更应先确认业务边界。 与其凭感觉调整，不如先完成四项基础工作： 1. 优先使用供应商支持的结构化输出能力。 2. 对必填字段、类型和取值范围做校验。 3. 解析失败时保留原始响应并有限重试。 4. 高风险任务失败后转人工而不是猜测补全。 本题最需要警惕的是：用字符串截取花括号可以通过少量样本，却会在嵌套内容和异常字符下产生新错误。这种偏差容易被流畅的输出掩盖，因此尤其需要主动检查。 随后应把验证结果纳入项目记录。用正常、缺字段、多字段、拒答和截断样本测试解析器，确认错误不会静默进入数据库。除了顺利完成的常规样本，还应加入资料不全、输入矛盾、权限不足或服务异常等边界情形。涉及外部用户时先灰度开放，并准备清楚的停止与回退方式。 职责最好沿用现有岗位设置，避免建立一个无人真正负责的AI专属流程。可靠程序把模型输出当作不可信输入进行验证，而不是把提示词当作接口契约。 本文在提纲整理和初稿撰写中使用了AI辅助，发布前已人工复核事实与表达。