GPTs 怎么开启 JSON 结构化输出,Instructions、Actions 和 API 的 response_format 分别该怎么用?

自定义 GPT 没有 JSON 模式开关,稳定拿到结构化数据只能靠 Instructions 写死字段约定、Actions 用 OpenAPI schema 约束返回体,或用 Code Interpreter 把结果保存成 .json 文件;真正强制的 json_schema 只在 API 侧提供,GPTs 本身不能通过接口调用。

自定义 GPT 没有 JSON 模式开关,要稳定拿到结构化数据,只能靠 Instructions 写死字段约定、Actions 用 OpenAPI schema 约束返回体,或用 Code Interpreter 把结果保存成 .json 文件;真正强制的 json_schema 只在 API 侧提供,而 GPTs 本身不能通过接口调用。这个边界决定了:如果你要的是程序可直接消费的 JSON,不要把 GPTs 当接口用。 找不到开关是产品形态决定的,不是设置藏得深。GPTs 是 ChatGPT 内的对话形态产品,Builder 里能勾选的能力只有网页浏览、图像生成和代码解释器,response_format 属于 Chat Completions 与 Responses 接口的参数,从未暴露到 GPT 配置页。所以任何声称在 GPT 设置里勾选 JSON 的做法,实际做的都是提示词约束,而不是模型层的强制输出。 Instructions 是成本最低的约束层,但写法比写不写更重要。Instructions 里要同时给出字段名、类型、允许的枚举值、缺值时的占位规则,并明确禁止输出 Markdown 代码围栏和任何解释性前后缀;一句可直接复用的约束是「只输出一个 JSON 对象,不要用代码围栏包裹,不要任何解释文字,缺失字段用 null 而不是省略」。再附一个最小示例对象,比堆十行形容词有效,因为模型对字段名和层级的模仿远比对抽象描述更稳。 指令约束只能提高概率,不能保证结果。多轮对话后上下文漂移、检索到的知识片段风格不同、用户追问「顺便解释一下」,都会让模型回到自然语言输出。判断标准很简单:如果这段 JSON 要直接入库或传给下游系统,指令层方案必须配解析失败重试,不能当约定用;如果只是人工看一眼再复制,指令层足够,但要接受偶发不合法。 需要真正约定结构时用 Actions,让 OpenAPI schema 承担字段定义。在 GPT 编辑器的 Actions 里导入 OpenAPI 3.1.0 描述文件,把请求体和响应体字段写全,operationId 用动词短语,再在 Instructions 里补一句「原样返回 action 的响应体,不要改写、不要总结、不要补充字段」。这套做法适合自己有后端、要做系统对接的场景,因为结构定义落在 schema 上,而不是靠模型记忆。 Actions 有三个失败点要提前设计,否则结构化约定会在运行时被破坏。端点必须是公网可达的 HTTPS 且配好鉴权,否则 GPT 调用直接失败;schema 里字段要全部列入 required 并把 additionalProperties 设为 false,否则模型会自作主张补字段;action 返回非 2xx 时模型往往用自然语言解释错误,把 JSON 约定彻底破坏,因此后端应统一返回 200 加结构化错误码,让错误也落在同一套字段里。 结果体量大、要批量产出时,Code Interpreter 比聊天文本更合适。让 GPT 写一段脚本把数据整理成 JSON 并保存为文件,产物是文件而不是聊天文本,能避免长文本被截断成不闭合的 JSON;代价是下游要能取到文件,且聊天窗口里的回复仍需另行约束。适合一次性导出、批量清洗、生成测试数据这类任务,不适合要求实时接口响应的链路。 只有 API 侧提供强制结构化输出,response_format 里的 json_schema 才是硬约束。Chat Completions 与 Responses 接口支持用 response_format 指定 json_schema 并开启 strict,模型会按 schema 生成;json_object 模式只保证是合法 JSON,不保证字段名和层级,两者不要混用。strict 模式下 schema 有硬性要求:所有属性必须列进 required、additionalProperties 必须为 false、部分校验关键字不被支持,写错会直接报错而不是静默降级。 该用 tools 还是 response_format,取决于模型要不要做判断。需要模型自己决定调不调、调哪个工具时用 tools 加 strict;只是把一段已知内容转成固定结构时用 response_format 更直接,还能省掉一次函数调用往返。同一业务里两者交替使用,会让输出形态变得不稳定,因此要把「判断型任务」和「转换型任务」分开设计,不要让一个调用同时承担两种职责。 生产链路建议按解析、校验、重试、降级四步设计,不能把模型输出直接入库。拿到文本先 trim 并去掉可能出现的代码围栏,再 JSON.parse,然后过一遍 JSON Schema 校验;失败时把解析错误原文回传给模型重试一次,仍失败就走规则修补或转人工队列。把 schema 版本号写进提示词,改字段时同步升版本,能避免新旧格式混在同一批数据里,也方便排查是哪一版约定失效。 高频出错点集中在类型和枚举,故障往往不是模型不会写 JSON,而是字段边界没定死。数字被写成字符串、布尔值被写成「是/否」、枚举值越界、嵌套对象被压平成点号键名,这几类占实际故障的大头。对策是把枚举写全、给一个完整示例对象、限制嵌套不超过三层,并给输出预留足够的 token 余量,避免 JSON 在尾部被截断;截断后的文本往往只差一个括号,但下游解析会整批失败。 需要 SLA、审计与幂等的高并发场景不适合用 GPTs 承载。自定义 GPT 是对话产品,没有接口级的重试语义、限流承诺和调用日志,把它放进批处理流水线,问题会以「偶发解析失败」的形式出现且很难归因。这类需求应直接走 API 并自建校验层,GPTs 只作为人工调试和原型验证的入口,等字段约定稳定后再迁移到接口侧,才能把结构化输出的责任从提示词转移到 schema 和校验程序上。