從「口頭交代」到「系統級硬約束」

昨天我們透過 Prompt 強制要求 AI 輸出 JSON，讓它能把照片和文字整理成前端能直接使用的結構化資料。
但如果真的要在正式環境中跑，就會發現一件事：光靠 Prompt 口頭交代，並不保證 100% 安全。

在實際開發上，最常見的災難長這樣：

• AI 多包一層 Markdown 的 ```json 標籤

• 某幾個欄位忘了加引號

• Key 名稱不小心寫錯（例如 mood_score 變成 moodScore）

• 遇到模糊照片時，開始回一堆「這張照片太模糊我看不到」的廢話

這些對人類來說可能只是小瑕疵，但對前端來說，只要 JSON 格式有一丁點不對，JSON.parse() 就直接報錯，整個系統跟著跳機。

所以今天我們要做的，就是把請 AI 盡量遵守升級成系統強制約束。
這一步，就是從口頭交代進化到系統級硬約束的關鍵。

黑色科技：Google AI Studio 的 Structured Outputs

Google AI Studio 有一個很強大的功能，叫做 Structured Outputs 。

它的運作原理跟一般 Prompt 很不一樣：

• 一般 Prompt： 靠 AI 憑感覺遵守你寫的規則，偶爾會失手

• Structured Outputs： 由 API 底層直接限制輸出 token 的產生邏輯，讓模型只能輸出符合你定義的 JSON 格式

也就是說，這不是 AI 盡量幫你，而是系統不允許它亂來。

手把手建立《喵語日誌》Response Schema

接下來，我們就實際來設定《喵語日誌》的 Response Schema。

步驟一：開啟 Structured Outputs 開關

打開 Google AI Studio，在右側設定面板中找到 Structured Outputs 功能並點擊開啟，系統會彈出設定視窗。

步驟二：使用 Code Editor 設定 JSON Schema

Google AI Studio 提供了 Visual Editor（圖形化介面） 與 Code Editor（程式碼介面） 兩種設定方式：

• Visual Editor： 適合用滑鼠點選新增欄位，對初學者非常友善。

• Code Editor： 適合直接複製貼上寫好的結構，快速且精準。

為了確保欄位命名與資料型別一次到位，我們切換到 Code Editor 頁籤，清空預設文字後，貼上已經準備好的 JSON Schema：

{
  "type": "object",
  "properties": {
    "mood_score": {
      "type": "integer",
      "description": "1 到 10 的情緒分數"
    },
    "lifestyle_label": {
      "type": "string",
      "description": "生活標籤，如：深夜美食、週末放鬆"
    },
    "cat_response": {
      "type": "string",
      "description": "帶有貓咪語氣與動作描述的回應"
    }
  },
  "required": [
    "mood_score",
    "lifestyle_label",
    "cat_response"
  ]
}

這個 Schema 為 AI 設定了三大硬性規則：

• 明確資料結構： 指定最外層輸出必須為 object 型別

• 嚴格約束欄位： 定義 mood_score (整數) 與 lifestyle_label / cat_response (字串)，並透過 required 陣列強制所有欄位皆為必填

• 賦予語意引導： 透過 description 讓 AI 精準理解每個欄位該填入什麼內容

貼上後確認無誤，點擊右下角 Save 即可儲存設定！

步驟三：Temperature 的工程選擇

完成 Schema 設定後，還有一個關鍵參數需要微調：Temperature。

在 Day 03 和 Day 04 時，我們為了讓貓咪對話更有變化，將 Temperature 設在 0.5～0.7 之間。但到了需配合格式輸出的情境，建議將 Temperature 適度下調至 0.2～0.4：

• Temperature 過高（> 0.7）：雖然回應活潑，但可能增加語意偏離或邏輯不穩定的風險。

• Temperature 過低（< 0.1）：格式雖然絕對穩定，但回應會變得像客服機器人，喪失貓味。

• 黃金區間（0.2～0.4）：在JSON 邏輯穩定度與貓咪回應活潑度之間取得最佳平衡。

實務上我先設定為 0.4，這樣既能保持輸出的結構精準，又能保留貓咪療癒的性格！

極端壓力測試與成果展示

設定好之後，當然要來測試看看它到底有多穩。

極端測試：模糊到失焦的照片

我故意找了一張幾乎完全失焦、連文字都看不清的考卷照片，搭配簡短的抱怨：「今天真的好累喔...」。

在一般 Prompt 模式下，AI 很可能會反問「這張照片看不清楚耶？」，或是輸出帶有 Markdown 標籤的純文字。但開啟 Structured Outputs 之後，AI 的回傳結果如下：

{
  "mood_score": 3,
  "lifestyle_label": "備考日常",
  "cat_response": "喵嗚...看到你對著滿滿的英文題目，喵喵好心疼喔。*輕輕跳到書桌上，用軟軟的肉球按住你的課本，想讓你休息一下*。你已經很努力了，眼睛一定很痠吧？*發出呼嚕聲，用小腦袋用力蹭蹭你的手心*。先放下筆，讓喵喵陪你抱抱充個電，休息夠了再繼續，喵～"
}

實測亮點分析（✅ 完美符合預期）：

1. 乾淨無雜訊： 完全沒有多餘的 Markdown ```json 標籤或解釋廢話，就是 100% 純淨、可直接被 JSON.parse() 解析的物件。

2. **結構絕對完整：**三個 key（mood_score、lifestyle_label、cat_response）全部齊全，型別也完全符合規範。

3. 展現合理推理能力： 即使照片極度模糊，AI 依然能從模糊的題目排版與「好累」的文字中，精準推導出 mood_score: 3 與 lifestyle_label: "備考日常"，並給予超暖心的貓咪撫慰！

這就是系統級約束的威力——即使面對劣質輸入，AI 不僅不會崩潰跳機，還能穩定吐出結構化數據並補上合理的預設推理。

結語

走到今天，我們已經完成了《喵語日誌》最硬核的 AI 調校：不僅賦予了貓咪鮮明的陪伴靈魂，讓它具備看懂照片的多模態能力，更透過 Structured Outputs 打造了一個 100% 穩定、不會出錯的結構化大腦！

提示詞與資料結構皆已驗證完畢，這隻貓咪已經準備好正式進入產品開發階段。明天 Day 06：【環境建立】Vite 前端骨架建置與 API Key 安全機制，我們將從 Google AI Studio 跨入實際的前端開發，建立 Vite 專案骨架、設定 .env 安全存放 API Key，並將今天的 JSON Schema 轉化為前端的資料型別，讓 AI 數據無縫對接網頁 UI！