昨天我們學會了用 Structured Output 強制規範 JSON Schema，但在實際開發中常會遇到一個更棘手的挑戰：「欄位格式對了，但欄位內部的內容分類邏輯、階層歸屬或字串風格卻不受控」。
例如同一個症狀，AI 可能在巢狀物件中一下歸類為「主要症狀」，一下又塞進「次要觀察」；或者代碼對照沒有標準依據。這時就需要結合 Day 03 的核心心法——Few-shot（少樣本範例），透過 1～2 組示範，讓模型精準理解複雜巢狀結構的填寫規則。
本日核心痛點：為什麼純 Schema 不夠？

• JSON Schema 的極限：Schema 只能保證型別（例如：這裡是 ⁠Array of Objects⁠、那裡是 ⁠String⁠），但無法定義語意邏輯。
• Few-shot 的補位：透過範例直接告訴模型：「遇到急性疼痛時，巢狀裡面的 ⁠severity_level⁠ 該怎麼評定？」、「特定症狀該如何映射到標準系統分類？」。

Google AI Studio 實測情境：門診檢傷分類與巢狀醫令提取
我們要將雜亂的醫護口述，轉換為包含多層階層的標準醫療檢傷物件（包含基本資料、評估指標、處置建議）。
實測 Prompt 設計（Few-shot 引導）
直接在 AI Studio 的輸入框貼入以下包含 1 組精準範例 的提示詞：

預期實測成果與觀察重點
模型會精準參照範例的階層結構輸出：
⁠urgency_level⁠：根據痛感與無法站立狀態，自動對齊範例的等級命名格式（如 ⁠"Level-2 (危急)"⁠ 或 ⁠"Level-3 (緊急)"⁠）。
⁠symptom_breakdown⁠：成功將「左髖部劇痛」分到 ⁠primary⁠，而將「無法站立」或「無意識喪失」拆分到對應觀察陣列。
⁠preliminary_orders⁠：將「輪椅固定」歸類為 ⁠{"category": "Procedure", "description": "輪椅固定"}⁠，將「急件 X 光」標註為 ⁠{"category": "Radiology", "description": "急件 X 光攝影"}⁠。

• 實際成果展示：
  

今日結語
當資料結構深入到兩層、三層以上的巢狀物件時，單純定義「欄位型別」已經不足以應付多變的真實業務需求。「用 Few-shot 定義業務語意，用 Structured Output 鎖死資料規格」，這套組合拳能讓大型語言模型真正具備工業級的數據處理能力。