AI Prompt Engineering · 课时

请求表格与结构化数据

Q: 「请求表格与结构化数据」这节课中我会学到什么？

请求使用 Markdown 表格和结构化输出完成比较任务 你通过在浏览器中直接运行的动手代码来练习 AI Prompt Engineering，全天候 AI 导师会在你学习这节课的过程中回答你的问题。

请求使用 Markdown 表格和结构化输出完成比较任务

请求表格与结构化数据 是 CoddyKit 上的免费 AI Prompt Engineering 课时。这是第 2 节课，共 4 节。你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。这是 AI Prompt Engineering 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 AI Prompt Engineering 课程共包含 4 节课。

表格作为输出格式

对于比较信息，表格是最有用的 AI 输出格式之一。它们能让项目之间的关系一目了然，并支持快速并排分析。

获取高质量表格的关键在于：明确指定确切的列名、每列应包含的内容，以及要包含多少行。

基本表格请求

请求 Markdown 表格的标准模式：

“请将内容格式化为 Markdown 表格，列名为：[列 1]、[列 2]、[列 3]。”

Markdown 表格可以在 GitHub、Notion、Obsidian 以及大多数 AI 聊天界面中呈现。它们使用竖线分隔列，并使用短横线分隔表头。

import openai

client = openai.OpenAI(api_key='sk-your-key-here')

response = client.chat.completions.create(
    model='gpt-4o',
    messages=[{
        'role': 'user',
        'content': (
            'Compare Python, JavaScript, and Go for building REST APIs. '
            'Format as a markdown table with columns: '
            'Language, Performance, Learning Curve, Ecosystem, Best Use Case. '
            'One row per language. Be concise — max 8 words per cell.'
        )
    }]
)
print(response.choices[0].message.content)

比较表格

在多个选项之间进行选择时，比较表格非常理想。您可以这样请求：

“请创建一个比较 X、Y 和 Z 的表格……”
“请制作一张……的功能比较表”
“请创建一张比较……优缺点的表格”

将选项作为行、评估标准作为列；也可以反过来，具体取决于哪种布局更适合您的内容阅读。

import anthropic

client = anthropic.Anthropic(api_key='sk-ant-your-key-here')

response = client.messages.create(
    model='claude-opus-4-5',
    max_tokens=400,
    messages=[{
        'role': 'user',
        'content': (
            'Create a comparison table for three cloud database options: '
            'Supabase, PlanetScale, and Neon.\n'
            'Rows: one per database.\n'
            'Columns: Free tier storage, Scaling model, Pricing at 10GB, '
            'Branching support, SQL compatibility.\n'
            'Format: markdown table. Cell content: max 6 words each.'
        )
    }]
)
print(response.content[0].text)

功能矩阵表格

功能矩阵是一种表格：行表示项目，列表示功能，每个单元格显示勾选标记、分数或简短数值。常见用途包括：

跨版本或竞争产品进行软件功能比较
比较 SaaS 产品的方案
技术支持矩阵（哪些浏览器或 OS 支持哪些功能）

请求示例：“请创建一张功能矩阵表，为每项功能使用勾选标记（是/否）。”

import openai

client = openai.OpenAI(api_key='sk-your-key-here')

response = client.chat.completions.create(
    model='gpt-4o',
    messages=[{
        'role': 'user',
        'content': (
            'Create a feature matrix table for our SaaS pricing tiers: Free, Pro, Enterprise.\n'
            'Rows: API access, Custom domains, SSO login, SLA guarantee, Priority support, '
            'Data export, Team collaboration, Audit logs.\n'
            'Columns: Free, Pro, Enterprise.\n'
            'Use: YES / NO / PARTIAL for each cell.\n'
            'Format: markdown table.'
        )
    }]
)
print(response.choices[0].message.content)

从文本生成数据表格

一种非常实用的模式是要求模型从非结构化文本中提取信息，并将其格式化为表格。这本质上是由 AI 驱动的数据解析：

“请从下面的文本中提取以下信息，并将其格式化为包含 X、Y、Z 列的表格。”

请始终明确指定列名，以获得一致的结构。

import anthropic

client = anthropic.Anthropic(api_key='sk-ant-your-key-here')

meeting_notes = (
    'Sarah will handle the API documentation by next Friday. '
    'John needs to fix the authentication bug — aim for Wednesday. '
    'Maria is responsible for the mobile UI update, due in 2 weeks. '
    'The DevOps team (lead: Alex) must set up staging by Monday. '
    'Carlos will write unit tests — deadline: end of sprint (Thursday).'
)

response = client.messages.create(
    model='claude-opus-4-5',
    max_tokens=300,
    messages=[{
        'role': 'user',
        'content': (
            'Extract all action items from the meeting notes below. '
            'Format as a markdown table with columns: Task, Owner, Deadline.\n\n'
            f'Meeting notes:\n{meeting_notes}'
        )
    }]
)
print(response.content[0].text)

CSV 输出

如果您需要将数据导入电子表格、数据库或用于进一步处理，请请求输出 CSV（逗号分隔值），而不是 Markdown 表格。

“请输出为带表头行的 CSV 数据行”或“请格式化为 CSV。第一行：列标题。”

CSV 具有良好的可移植性，可以直接粘贴到 Excel 或 Google Sheets 中，也可以由代码解析。

import openai
import csv
import io

client = openai.OpenAI(api_key='sk-your-key-here')

response = client.chat.completions.create(
    model='gpt-4o',
    messages=[{
        'role': 'user',
        'content': (
            'Generate 5 sample customer support tickets for an e-commerce store. '
            'Output as CSV with header row. '
            'Columns: ticket_id, customer_name, issue_type, priority, status. '
            'issue_type values: SHIPPING / BILLING / PRODUCT / RETURNS. '
            'priority values: LOW / MEDIUM / HIGH. '
            'status values: OPEN / IN_PROGRESS / RESOLVED. '
            'No markdown formatting — raw CSV only.'
        )
    }]
)

csv_text = response.choices[0].message.content.strip()
reader = csv.DictReader(io.StringIO(csv_text))
for row in reader:
    print(row)

JSON 结构化输出

对于程序化使用，JSON 通常是最佳格式。请明确提出请求：

“请输出一个包含 X、Y、Z 键的 JSON 对象。”
“请返回一个 JSON 数组，其中每个元素都包含 A、B、C 属性。”

部分模型支持原生 JSON 模式，可以保证输出有效的 JSON；但即使没有该模式，明确请求 JSON 并说明架构，通常也能生成可解析的输出。

import anthropic
import json

client = anthropic.Anthropic(api_key='sk-ant-your-key-here')

response = client.messages.create(
    model='claude-opus-4-5',
    max_tokens=400,
    messages=[{
        'role': 'user',
        'content': (
            'Generate 3 fictional user profiles for testing a fitness app. '
            'Output as a JSON array. '
            'Each object must have exactly these keys: '
            'id (integer), name (string), age (integer 18-65), '
            'fitness_level ("BEGINNER" | "INTERMEDIATE" | "ADVANCED"), '
            'goals (array of strings, max 3), weekly_sessions (integer 1-7). '
            'Output raw JSON only — no explanation, no markdown code fences.'
        )
    }]
)

try:
    data = json.loads(response.content[0].text)
    print(f'Parsed {len(data)} profiles successfully.')
    for profile in data:
        print(f'  {profile["name"]}, {profile["age"]}, {profile["fitness_level"]}')
except json.JSONDecodeError as e:
    print('JSON parse error:', e)

指定单元格内容规则

当您定义每个单元格中允许包含的内容时，表格质量会显著提升：

“每个单元格最多 5 个词”——防止单元格内容过于冗长而破坏表格格式
“仅允许是/否”——二元功能矩阵
“仅填写金额，不作解释”——简洁的价格表
“仅填写一个词”——强制简洁
“评分范围为 1 至 10”——数值评分表

import openai

client = openai.OpenAI(api_key='sk-your-key-here')

response = client.chat.completions.create(
    model='gpt-4o',
    messages=[{
        'role': 'user',
        'content': (
            'Rate the following programming languages for these criteria.\n'
            'Languages (rows): Python, Rust, TypeScript, Go.\n'
            'Criteria (columns): Speed, Safety, Developer Experience, Job Market, Learning Curve.\n'
            'Cell format: integer score 1-10 only. No words, no explanation inside cells.\n'
            'After the table, add one sentence explaining your scoring philosophy.'
        )
    }]
)
print(response.choices[0].message.content)

转置表格

有时，默认的行列方向并不适合您的数据。转置表格会交换行和列——当属性很多而项目很少时非常有用。

请求示例：“创建一个以项目为列、属性为行的表格”或“转置表格，使 X 成为列。”

import anthropic

client = anthropic.Anthropic(api_key='sk-ant-your-key-here')

response = client.messages.create(
    model='claude-opus-4-5',
    max_tokens=300,
    messages=[{
        'role': 'user',
        'content': (
            'Compare two job candidates: Alice and Bob. '
            'Create a transposed table where candidates are COLUMNS and attributes are ROWS. '
            'Attributes (rows): Years Experience, Primary Language, Education, '
            'Previous Employer, Salary Expectation Range. '
            'Format: markdown table. Cell content: factual, max 6 words.\n\n'
            'Alice: 7 years Python/ML, MS Computer Science MIT, ex-Google, expects $180-220k.\n'
            'Bob: 4 years JavaScript/Node, BS from UC Berkeley, ex-Stripe startup, expects $140-170k.'
        )
    }]
)
print(response.content[0].text)

何时 NOT 使用表格

表格并非总是合适的格式。以下情况应避免使用表格：

只有 2 个项目——简短的段落比较更易阅读
单元格内容长度差异很大——表格会变得难以阅读
输出将用于纯文本环境（电子邮件正文、SMS）
正在生成用于语音输出的内容
项目之间是层级关系，而不是表格关系（此时应改用嵌套列表）

import openai

client = openai.OpenAI(api_key='sk-your-key-here')

# Table works: structured comparison
table_prompt = (
    'Compare MySQL vs PostgreSQL. '
    'Format: markdown table, columns: Feature, MySQL, PostgreSQL. '
    '6 rows covering: JSON support, Full-text search, Replication, Transactions, License, Best for.'
)

# No table needed: simple 2-option choice with prose reasoning
not_table_prompt = (
    'Should I use SQLite or PostgreSQL for a personal hobby project '
    'that will have at most 5 users? 2-sentence answer, no table.'
)

for label, prompt in [('TABLE APPROPRIATE', table_prompt), ('TABLE OVERKILL', not_table_prompt)]:
    response = client.chat.completions.create(
        model='gpt-4o', max_tokens=200,
        messages=[{'role': 'user', 'content': prompt}]
    )
    print(f'--- {label} ---')
    print(response.choices[0].message.content.strip()[:300])
    print()

将表格与其他格式结合

表格与周围的说明文字或列表搭配效果很好。一种常见的高质量输出结构是：

用简短的介绍段落说明比较标准
提供表格，方便快速浏览
用推荐段落给出最终结论

请明确提出这一要求：“请包含：1 句介绍、表格，然后是 2 句推荐。”

import anthropic

client = anthropic.Anthropic(api_key='sk-ant-your-key-here')

response = client.messages.create(
    model='claude-opus-4-5',
    max_tokens=500,
    messages=[{
        'role': 'user',
        'content': (
            'Compare three Python testing frameworks: pytest, unittest, and nose2. '
            'Structure your response as:\n'
            '1. One-sentence intro explaining the comparison scope.\n'
            '2. Markdown table: columns = Framework, Ease of Use, Plugin Ecosystem, '
            'Speed, Community Activity. Rows = one per framework.\n'
            '3. One-sentence recommendation for a team starting a new project.'
        )
    }]
)
print(response.content[0].text)

知识检查

一位开发人员想使用 AI 为数据库测试生成示例数据。他们需要 10 行客户数据，字段包括 ID、姓名、电子邮件、国家和账户等级。应该请求哪种最佳输出格式？

表格和结构化数据——回顾

表格和结构化数据请求可以解锁 AI 最有用的一些输出格式。关键技巧包括：

指定确切的列名，以获得一致的结构
使用比较表格并排分析不同选项
当数据将由程序处理时使用 CSV
将数据集成到 API 并供代码使用时使用 JSON
定义单元格内容规则：最大词数、允许的值、评分范围
当项目多于属性时，考虑转置表格
将表格与说明文字结合，创建完整且易读的文档

常见问题解答

「请求表格与结构化数据」课时是免费的吗？

是的 — 「请求表格与结构化数据」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 AI Prompt Engineering 课程的其余内容，请升级到 CoddyKit PRO。 AI Prompt Engineering 课程共包含 4 节课。

「请求表格与结构化数据」这节课中我会学到什么？

请求使用 Markdown 表格和结构化输出完成比较任务你通过在浏览器中直接运行的动手代码来练习 AI Prompt Engineering，全天候 AI 导师会在你学习这节课的过程中回答你的问题。

学习 AI Prompt Engineering 需要有经验吗？

无需任何先前经验。CoddyKit 上的 AI Prompt Engineering 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。这是第 2 节课，共 4 节。

「请求表格与结构化数据」课时需要多长时间？

大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。

我能在这节 AI Prompt Engineering 课中编写并运行代码吗？

能。每节 AI Prompt Engineering 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。

此课程中的所有课时

← 返回 AI Prompt Engineering