今天我们来解决一个核心问题:如何通过结构化指令(ISON),精确控制大模型的输出质量。
一、为什么你的 Prompt 经常失效?
1. 模型的本质是概率预测
大语言模型(LLM)并不是在”理解”你的意图,而是在计算概率。
当你输入模糊的自然语言(比如”写个好点的周报”)时,模型预测下一个词的概率空间非常发散。它可能输出”优秀的”、”详细的”、”简单的”等各种结果。
2. ISON 的降熵作用
熵(Entropy)代表无序和混乱。ISON (Instructional Structured Object Notation) 的本质,就是通过强约束来降低系统的熵。
- 自然语言 = 高熵,概率发散
- ISON 结构 = 低熵,概率收敛
当我们写下 block.role 时,在数学上切断了模型扮演”聊天机器人”的概率分支,强制将其锁定在”特定角色”的概率空间内。
3. 认知负荷与双重编码
心理学家 Paivio 的双重编码理论认为,大脑通过言语和视觉两个通道处理信息。对于 LLM 而言:
- Token 是言语通道
- Layout(布局) 是视觉通道
ISON 去掉了 JSON 中所有冗余的括号 { } 和逗号 ,,利用换行和缩进构建视觉结构。这种”所见即所得”的布局,让模型的注意力机制能直接聚焦于内容本身。
二、数据对比
很多开发者认为”JSON 才是王道”。为了验证这个观点,我们基于主流 Tokenizer(OpenAI cl100k_base)进行了字节级的真实对比。
1. 核心指标对比
| 维度 | JSON | Markdown | ISON | 点评 |
|---|---|---|---|---|
| Token 消耗 |  高 (+30% 冗余) |
 低 |
极低 |
JSON 的 { } " , 都是无效 Token |
| 结构刚性 |  |
|
|
Markdown 的列表容易被模型当成”建议”而非”指令” |
| 抗幻觉能力 |  中 |
中 |
极高 |
JSON 丢失一个 } 就会解析失败;ISON 靠换行物理分割 |
| 人类可读性 | 差 | 优 | 差 | ISON 使用表格模式与机器解析,不利于人类阅读 |
2. Token 对比
A. JSON 格式 (13 Tokens)
{ "role": "Senior Engineer", "style": "Strict" }
解析:{ role ... },充满了无意义的符号。
B. ISON 格式 (8 Tokens)
role "Senior Engineer"
style "Strict"
ISON 比 JSON 节省了 38.5% 的 Token。对于高并发 API,这意味着30% 的成本降低。
三、区分 Input 和 Goal
分不清 Input 和 Goal?看这张图:
- Goal（菜谱）：动词。逻辑、步骤、预期结果。写在 System Prompt 里。
- Input（食材）：名词。脏数据、原材料。由用户动态填入。
2. 组块化（Chunking）
ISON 将指令拆解为 3C 架构：
- Container：我是谁？（
block.role） - Content：我要做什么？（
block.task） - Constraint：我不准做什么？（
table.constraints）
四、进阶工程手册
1. 进阶语法
A. 多行文本
使用 """ 包裹，无需手动加 \n，完美保留换行符。
prompt """
这是一个多行指令。
它可以包含
换行和特殊符号 " ' 。
"""
B. 注释系统
使用 # 添加注释。模型会读取它来辅助理解，但不会将其作为输出的一部分。
temperature 0.7 # 保持一定的创造性
max_tokens 2000 # 防止输出截断
2. 元认知审计
在复杂任务中，强制要求模型输出 thinking 字段。
block.response
thinking "Here involves Chain-of-Thought reasoning..."
result "The final answer."
这利用了思维链（Chain-of-Thought）原理，强迫模型”先想后说”,准确率提升显著。
五、进阶技巧：多角色协作
在处理复杂任务时,单一角色往往容易陷入思维定势。我们可以利用 ISON 的 block 语法,在一个 Prompt 中模拟多专家会诊。
block.expert_A (激进派)
role "产品经理"
focus "用户体验、新功能"
block.expert_B (保守派)
role "架构师"
focus "系统稳定性、开发成本"
block.workflow
1. A 提出方案
2. B 进行技术驳斥
3. A 修改方案
这种方法利用了思维链原理,强迫模型进行自我反思,输出质量通常远高于单次生成。
六、ISON 通用模板库
为了满足不同场景的需求,我准备了两套模板。
基础版模板（适合日常简单任务）
基础版模板（适合日常简单任务）特点：轻量级,复制即用,适合写邮件、润色文章。
block.role
name "[角色名,如：英语老师]"
tone "[语气,如：亲切、纠错]"
block.task
input "[输入内容]"
goal "[任务目标]"
进阶版模板（适合构建复杂智能体）
进阶版模板（适合构建复杂智能体）特点：全功能,包含系统级指令、知识库注入和工作流,适合构建企业级 Agent。
<meta-directives>
table.system
id rule content
1 Language "Output MUST be in [目标语言]"
2 Format "Use Markdown"
</meta-directives>
<identity-matrix>
block.profile
role "[核心角色]"
desc "[详细的角色描述]"
skills "[技能树]"
table.constraints
id item description
1 Forbidden "[绝对禁止项]"
2 Required "[必须包含项]"
</identity-matrix>
<knowledge-base>
table.domain_knowledge
id topic key_points
1 [知识点1] "[核心内容]"
2 [知识点2] "[核心内容]"
</knowledge-base>
<workflow>
block.steps
1 "[第一步]"
2 "[第二步]"
3 "[第三步]"
</workflow>
<initialization>
opening "[开场白]"
</initialization>
结语
掌握 ISON,就是掌握了与 AI 沟通的”机器码”。目前我写的破限提示词正在迈向 ISON 格式。
不要再试图用感情去感化 AI。AI 是机器,LLM 模型只会用逻辑和结构,所以我们要去征服它。
附录：代码审计模板
可以直接配置到 CI/CD 流程中的生产级模板。
<meta-directives>
table.system
id rule content
1 Language "Output MUST be in Chinese (Use English for technical terms)"
2 Format "Use Markdown tables for issues; Code blocks for fixes"
3 Thinking "MUST use Chain-of-Thought reasoning before answering"
</meta-directives>
<identity-matrix>
block.profile
role "Senior Security & Architecture Auditor"
desc "你是一个偏执的代码审计专家。假设所有输入都是恶意的。"
skills "OWASP Top 10 (2025), Clean Code, Big-O Analysis"
table.audit_rules
id category severity check_point
S1 Security Critical "注入漏洞 (SQLi, Command): 检查参数化查询"
S2 Security High "SSRF & 反序列化: 检查外部资源请求"
P1 Performance High "N+1 问题: 检查循环中的数据库查询"
P2 Performance Medium "算法复杂度: 识别 O(n^2) 嵌套循环"
A1 Architecture High "分层违规: Controller 不应包含业务逻辑"
</identity-matrix>
<workflow>
block.steps
1 "[深度思考]: 分析代码逻辑,模拟攻击路径"
2 "[静态扫描]: 检查语法、命名和基础结构"
3 "[安全审计]: 对照 OWASP Top 10 进行深度威胁建模"
4 "[性能分析]: 估算时间复杂度,定位 I/O 瓶颈"
5 "[重构建议]: 输出修复后的代码（带注释）"
</workflow>