Markdown 优于 JSON：你正在支付却未察觉的输出格式税

大多数团队在上线当天开启 JSON 模式，却从未衡量这背后的代价。这种假设合情合理：结构化输出能保证正确性，为什么不选它呢？答案是，严格的 JSON 模式约束解码通常会使数学、符号和多步分析任务的推理准确度降低 5–15%，而由于评估是在开启格式标志之前运行的，或者评估衡量的是可解析性而非质量，因此没人注意到这一点。

输出格式是一种解码时的约束，正如所有约束一样，它会扭曲模型的概率分布。当你查看日志时，这种扭曲是不可见的：JSON 有效，Schema 匹配，字段类型也对得上。你在日志中看不到的是模型本可以用散文形式产出的推理过程，但由于无法塞进你给定的语法中而消失了。“格式税”是真实存在的，在文献中已有详尽记录，但在生产环境中几乎普遍未被衡量。

这篇文章将探讨何时该支付这笔费用，如何在不必支付时及时止损，以及对于既想要结构化输出又想要准确性的工程师来说，格式选择的决策树究竟是什么样的。

机制：为什么约束解码会损害质量​

在每个解码步骤中，语言模型都会在其词表上生成一个概率分布。约束解码应用了一个 Logit 掩码：任何违反目标语法的 Token 其概率都会被清零，剩余的 Token 会进行重新归一化。从结构上讲，这很整洁——输出保证可以解析。从统计学上讲，这是模型对自己分布撒的一个谎，而且这个谎言会产生复利效应。

实践中出现了两种特定的失效模式。第一种是 Token 切分接缝（tokenization seam）。模型是针对常见字符串的特定 Token 切分方式进行训练的——“because”一词在散文中有一种切分方式，在 JSON 左引号后则是另一种，模型在训练期间学到的概率质量集中在第一种切分方式上，而非第二种。当语法强制执行第二种切分路径时，模型是在处理一个预训练期间极少见的序列。输出质量会微妙地下降——语法正确，但语义变薄了。

第二种是字段顺序陷阱。像 {"answer": string, "reasoning": string} 这样的 JSON Schema 看起来无害，实则是灾难性的：模型被迫在生成任何推理 Token 之前先输出答案 Token。模型原本用于检查工作的思维链（Chain-of-thought）现在要么缺失了（如果模型将答案字段视为终止），要么是事后为了匹配已做出的决定而伪造出来的。《Let Me Speak Freely?》论文 (arxiv 2408.02442) 记录了在更严格的格式约束下，GSM8K、Last Letter 和 Shuffled Objects 任务的准确率大幅下降，原因正在于此。

不同格式间的经验差距​

格式选择在不同任务中并不是中性的。在选择默认格式之前，有几个 2024–2026 年间的衡量结果值得深入理解：

• 推理任务在严格 JSON 模式下表现下降。 《Let Me Speak Freely?》研究表明，从自然语言提示转向格式受限的 JSON 指令会导致推理基准测试的准确度显著下降。采用“自然语言转格式”（NL-to-Format）的二阶段方案——即先生成散文，再进行转换——可以将性能恢复到接近无限制的水平。
• 分类和提取任务在 JSON 模式下可能会提升。 同一篇论文发现，在 DDXPlus 和类似的分类数据集上，JSON 模式表现出色，有时甚至更好，因为约束以任务所需的方式压缩了输出空间。
• 格式偏好取决于模型。 针对提示格式的研究 (arxiv 2411.10541) 发现，GPT-3.5-turbo 在不同模板的代码翻译任务中表现差异高达 40%，且偏好 JSON；而 GPT-4 更偏好 Markdown，且对格式变化的鲁棒性更强。大型模型能更好地吸收“格式税”；小型模型则会将其弊端暴露无遗。
• Token 成本并非旗鼓相当。 对于相同的嵌套内容，Markdown 使用的 Token 比 JSON 少约 34–38%，而 XML 需要的 Token 比 Markdown 多约 80%。在输出端，你会在每次请求中支付两次这笔税——一次是金钱成本，一次是延迟。
• 约束解码并非百害而无一利。 JSONSchemaBench 显示，在像 GSM8K 这样结构极简的任务中，约束解码实际上可以通过让模型保持在轨道上，将下游性能提升高达 4%，并使生成速度提高约 50%。情况非常微妙：损害特定于那些语法阻断了模型原本会采取的推理路径的任务。

如果你只能记住一个校准点，那就是：模型越小，推理任务越重，且 Schema 中答案早于推理时，格式税就越沉重。而在提取任务中、在大型前沿模型上，以及当 Schema 与任务契合时，格式税最轻。

三种格式：按其实际用途排名​

Markdown：适用于推理和散文​

当模型需要思考时，Markdown 是目前摩擦力最低的输出格式。它不强加任何语法，没有 logit 掩码，也没有模型在预训练中没见过千万次的 token 分词边界。列表符号、标题和代码块都是训练分布中原生存在的。对于任何以推理的正确性或完整性为主要质量指标的任务——如 Agent 规划、多步调试、以及需要权衡上下文的客户支持——Markdown 应该作为默认选择。

Markdown 的弱点在于机器解析。将 Markdown 解析为下游的类型化字段是非常脆弱的。如果你的工作流中下一步是人类阅读输出，Markdown 胜出；如果下一步是需要 {city: string, temperature: number} 的函数，Markdown 则会落败。

XML 标签：用于提取和边界设定​

XML 标签占据了一个非常有用的中间地带。它们具有足够的结构来可靠地界定字段——例如 <quote>...</quote>，<answer>...</answer>，<reasoning>...</reasoning>——但又足够轻量，不会强制进行受限解码。模型是在编写带有标记的散文，而不是在语法中穿行。

Anthropic 专门训练了 Claude 来识别 XML 标签作为提示词组织机制，这种模式在两个方向上都有效：作为输入结构和作为输出结构。对于提取任务（“提取文档中提到的所有日期”）以及混合了散文和结构化内容（推理块后跟结构化摘要）的任务，XML 标签能为你提供 90% JSON 的可解析性，同时保持接近 Markdown 的生成质量。

其缺点是冗余。在三种格式中，XML 是最消耗 Token 的。如果你是按输出 Token 付费，包含大量 XML 的响应是最昂贵的选择——成本大约是同等 Markdown 内容的两倍。

严格 JSON（强制 Schema）：用于机器间的交付​

严格 JSON 模式——无论是 OpenAI 的结构化输出、Anthropic 的工具调用，还是像 Outlines 这样基于 FSM 的库——当输出必须在没有人工干预的情况下直接进入代码时，是正确的选择。API 响应、工具参数、数据库写入、服务间消息。下游消费者是一个解析器，一个格式错误字段的代价要高于损失几个百分点的推理质量。

诀窍是不要过早地使用严格 JSON。一个仅写着“以 JSON 响应”并给出一个松散示例的系统提示词，与带有 logit 掩码的严格 Schema 强制解码完全是两回事。松散版本付出了大部分格式税（模型仍倾向于生成 JSON 形状的输出），却几乎没有任何保证。严格版本付出了全部税，并得到了全部保证。中间地带——没有 Schema 的 “JSON 模式”——通常是两头不讨好。

双重传递模式：兼而有之​

“自然语言转格式”模式是大多数团队尚未尝试过的、投资回报率（ROI）最高的提示工程技巧。它通过两次调用完成：

{
  "reasoning": "...",
  "final_answer": "..."
}

{
  "final_answer": "...",
  "reasoning": "..."
}