json怎么读正确发音

大家好，今天我们来讲一下 jason 文件的操作。先来看一下什么是 jason 文件， 我们可以看到它的外层相当于我们 python 里面的列表，内层的话每个元素是一个字典，字典，它是以兼职队的方式来储存数据， 值得注意的是它里面字典的引号只能是双引号。我们关掉这层文件的作用是我们在开发中有时候不仅仅是用 python 来做开发，有可能是不同语言之间 相互协作，而 jason 就充当一个容器，进行我们不同语言之间的数据交互。要想操作 jason 文件也很简单，我们可以 port jason。 我们先来讲一下读 with open data， 点加声读的话是 r 模式编码 u t f 杠八， 我们可以直接调用 jason 点 load， 用一个 data 来接受吧，把 f 传进去，这样的话我们就把 jason 文件直接读出来了，我们 print 一下 data， 注意读出来的话他是直接以列表的形式来呈现，不信的话我们可以打印一下他的数据 类型 at least， 我们注视一下。 再来讲一下写的操作位置， open 第一个还是对踏点， jason 写的话是 w encoding utf。 杠八， 我们还是用 jason 点 dump， 让我们要写的数据传进去。我们来准备一组数据 data， 一个列表，我们来模仿一下这个数据，它是一个列表，里面是字典，有 name 照顾 s s n 我们调用一下 faker， fake 等于 faker 减 faker， 中文 z h 杠 c n 这里可以用一个列表表达式字典键 name， name 的话就等于 fake， 点 name 都好。第二个是 job， fake 点 job， 第三个键是 s s n thick 点 s s n for 按命 任指，我们就来生成一百个数据吧，填个一百，这样的话我们数据就生成好了。我们把 data 填进去，然后把 f 给它传进去，运行一下程序， 这样的话 data jason 我们就生成了，但是我们发现它中文的部分是乱吧， 这时候我们可以在函数的中间加一个 enter， asker 等于一个 force， 我们运行一下，再看一下这种数据，格式化一下， 我们就成功的将列表数据直接变成了 jason 文件， 我们在 注视一下，当然我们刚才发现 jason 它下面还有两个方法，一个是漏子，和刚才很像，加了个 s， 一个是 dumps， 这两个函数是用来干嘛的？我们来试验一下。 同样的我们来一个字符串 s， 我们将这里面的数据挑一部分输入进去，就两条吧。引号，我们用单引号 把它调整一下格式， 注意，最后我们把列表打上，那么这个数据就是一个字符串，但它长得像列表。我们如果实战中想按列表的方式来操作它，比如说取第零个锁印，它是没有办法操作的。这程程序没有报错，是因为我们打印一下吧， 不然他是自负串来取，所以就只取了这个。 这个时候我们可以用 jazz 点 lose 把 s 传进去， 最后我们就会返回一个列表 l， 等于打印一下列表，它其实是一个列表的类型，不信的话我们可以 type 一下 list， 这个时候我们就可以用列表去缩影，就拿到了第一条数据， 相反我们再来试验一下，假设我们有一组数据 get 数据的话，我们也复制一下吧， 它是一个列表，里面有字典，但这时候我们 python 是以列表字典的这种形式 来储存数据，但是如果我们到扎瓦语言，嗯，扎瓦语言是没有列表这个数据类型的，那么我们需要将这个数据先转化成 jason 格式的字符串，然后发给扎瓦扎 话语言，用它相应的方式才能去读取数据，进行相应的操作。这个过程中我们是使用 jason 点 dumps 把 data 传进去，这样的话我们就得到一个字符串 s， 我们来打印一下， 当然这里我们也可以加上一个 answer ask， 等于 boss 这个的类型，它就是字符串，不信的话我们来 type 一下。 本期的案例就到这里，谢谢大家。

今天跟兄弟们分享 jason 格式的提示词啊，这个有用吗？嗯，这个东西好在哪啊？有了它呢，咱们写提示词啊，嗯，就跟写填空题似的。嗯，给咱们个模板往里添就行， 要不每次自己写提示词，写出来的呢，就跟抽盲盒似的。最重要的是呢，他能学到很多文化，多巴恩活泼风。谁给我解释一下 马卡龙色系点缀？马应龙我知道，尤其啊，是做建筑装饰设计行业的，就相当于啊把提示词呢给分了，图层逻辑清清楚楚啊，好理解多了。 首先啊，找一张图丢给娜诺果，娜娜把这段提示词给他呢，提示词是这么写的，他是一位资深的室内设计师，建筑装饰领域的风格迁移专家。 任务是啊，深度分析参考图，绕过表象，抓取设计灵魂，用于后续的风格迁移。下面呢，就是拆解核心的风格与氛围材质和机理啊，光影逻辑，构图方式，相机参数的模拟，还有就是技术渲染指令。 最后呢，让他扒出一段呢，可以直接复制的标准化的 json 格式的提示词，用于迁移到新的空间。然后呢， ai 就 会给我们生成这个图片的 json 格式的提示词，每条提示词呢都是干什么用的啊，写的非常清晰。 然后我们把这个 json 文件呢，再给 ai 丢回去，让他再用自然语言描述。呃，就成了一段结构清晰的自然语言的提示词了。我们拿它生下图呢做参考图也行， 加上锁定结构的提示词，让它把白膜或者是草稿啊，生成效果图呢，也可以啊，对 ai 感兴趣的朋友可以加一下关注，咱们一起学 ai。

面试官问你，大模型怎么稳定输出 jason 格式？如果你脱口而出说在提示词里加上请输出 jason 这几个字，不好意思，这个面试真的没办法让你过啊！ 嗨，大家好，我是小哲，关注点赞加收藏，我们开始今天的讲解。咱们遇到这种题，很多同学的第一反应绝对是直接在提示词里死磕，比如加上一句，绝对不要输出多余的废话。但你放到实际生产环境里跑一跑，就会发现，大模型本质上是个靠概率猜下一个词的文字接龙游戏， 他太有礼貌了，保不起哪天发神经，就在你的格式前面加一句，这一下，你的代码解析器直接原地爆炸， 把希望全寄托在提示词上，被面试官嫌弃太正常了，那咱们的破局点在哪呢？其实真正的高手会从四个维度去构建一个坚不可摧的输出防线，也就是提示词加原生能力，加底层约束，再加兜底机制。我们在脑子里跑一个真实的业务场景， 假设我们要从一段聊天记录里提取用户的姓名和年龄。第一步，我们肯定还是得靠提示词打底，不过别光喊口号，咱们直接给他喂两个完美的例子，告诉他输入小明今年十八岁，你就要原样输出带有姓名和年龄的格式数据。 大模型模仿能力极强，有了例子他就不太会乱跑了，但这还不够。第二步，咱们要动用大模型自带的超能力了。现在的主流模型都有现成的接口参数， 我们在发请求的时候，直接开启他的专属格式模式，或者用一种叫函数调用的绝招，我们提前定义好姓名必须是文本，年龄必须是数字。大模型为了走这个函数的流程，就会乖乖按照我们规定的坑位去填数据。 讲到这，你可能会问，如果大模型还是瞎输出怎么办？第三步就是更硬核的底层黑科技了。 如果咱们是自己本地跑模型，在他往外吐字的时候，我们就用代码死死盯着他，只要他企图输出不符合语法的废话，我们就直接把这个字的生成概率打成零，从源头上强行矫正他。 最后一步，无论前面做的多好，咱们都得有个兜底思维，拿到结果后，立刻用代码去检查验证，万一真的少了个括号或者类型错了，直接把错误信息重新扔回给大模型，让他自己查漏补缺再发一次。 你看，这样拆解下来，从软性的提示词引导，到硬性的接口限制，再到极限的底层拦截和容错重试，整套逻辑可以说是滴水不漏。大家以后做任何大模型应用，都要有这种多层防御的工程思维。 顺便给大家留个课后思考题。刚才讲的这四层防线里，如果我们用的是别人家的云端大模型接口，有一层咱们是摸不到也用不了的，大家知道是哪一层吗？欢迎在评论区打出你的答案，今天的视频就到这里，我们下期见，拜了个拜！

用 ai 来抄别人的爆款带货视频到底应该怎么做？今天带大家把这套流程好好的梳理一遍。首先我们先找到我们要对标的爆款视频，这个视频的时长呢，一般在十五到二十秒左右，这个是最好对标的。我们把这个视频发给 jimmy， 给他一句提示词，按照 jason 的 格式， 我生成这个视频的视频提示词，我们就会得到一段这样的提示词，你们可以看到他基本上从各个方面都做了一个相应的对标，而且这次的提示词呢，他会更加的精确一下。一步我们把这个提示词继续发给 jimmy， 把我们自己的产品也发给他。比如说我们之前的这个模仿的对标视频，他是一个灰色的裤子，然后我们自己的产品是棕色的， 我们把自己的产品和之前的那个这样的提示词发给 jimmy 之后，再给大家加一句话，按照我的产品去修改这个提示词，我们就会得到属于我们自己产品的这个爆款的对标提示词。最后一步，我们把这个爆款的提示词直接给到 c n 十二，然后再配上我们自己的产品图，这样的话一段特别流利，而且对标的爆款视频就出来了，大家可以赶快去试一下。

我去， ai 圈大地震了，只因国外爆火的接生提示词逆天玩法，它既不用列拉拉，也不用锁定面部 id， 仅靠接生提示词就可以保证人物的一致性，更关键的是它反推的提示词会更加的详细，它能将 nana pro 以及 c g 四点五发挥到极致，所以能复刻出超逼真的画面，要是用这种方式， 其他的反推工具都将沦为弟弟，所以大家都应该掌握 jason 写提示词的方法，那我来揭秘一下。我们首先截取这张照片，将图片粘贴到豆包里，然后输入这段提示词，我们点击生成一下，他就按照 jason 的 格式反推出来了，并且描述的非常的详细。 然后我们进入豆包的 ai 创作，然后将 jason 文件拷贝到框内。啊，这里要选择 c 均四点五比例，我们也可以进行锁定一下啊，点击生成 看到了吗？我只是输入了 jason 的 提示词，同一个形象我们就锁定了，并且四张图片都锁定了人物，无论是服装还是场景都是一致的，这个效果还不算是逆天的技术操作，我们可以将 jason 提示词修改成杭州西湖的背景， 这个效果逆天吧，人物与服装还是保证了一致性，背景发生变化了，说明 jason 文件是可以锁定人物一致性的，然后我们可以不断的修改 jason 文件， 这种方式可拓展性就比较大了。我们来演示 nana pro， 右边是我们参考的写实照片，左边的文本是豆包反推出来提示词啊，然后我们使用这个 nana pro 节点啊，我们需要调整成纹身图，依次生成两张，我们看一下， 看到了吗？这种反推的效果非常的逼真啊，像这种人物的感觉以及场景的逼真程度，完全看不出 ai 感，要是你不用接收文件，这种效果是很难实现的，所以大家快去探索吧！

m p m minstow 互联网史上最成功的俄罗斯套娃命令，它诞生于 nojs 生态核心理念只有一句话，能拆包解决的问题就绝不自己写。于是前端世界进入了一个万物接包的时代， left pad， 一个包判断基偶，一个包颜色输出，一个包连字母串转大写都能给你单独发个 m p m 包。 现在的 javascript 开发者已经彻底失去了独立生存能力，他们每天不是在写代码，而是在 m p m install m p m install m p m install 项目真正的入口文件其实叫 package 点 j s o m。 而真正的业务逻辑藏在 note 下划线 modules 里那三十七万个陌生人写的依赖中。更离谱的是，你永远不知道自己装进来了什么， 你只是想装个 react， 结果顺手下载了三千个依赖，四个废弃库，七个没人维护的项目，以及一个来自二零一六年大学生的加密货币挖矿脚本。整个 note marshalls 体积比你的项目还大，代码只有二十兆，依赖二点三 g。 人类第一次实现了写最少的代码，占最多的硬盘。而。

昨天面了一个大模型应用开发简历写，精通大模型结构化输出，结果连如何保证 jason 稳定都说不清。 我当时简历一核，我就知道，又一个被 demo 级项目经验耽误的，我这个摸鱼 cto 面过的人比你写过的 bug 都多。 今天就来聊聊这个面试必考题，大模型输出的 jason 不 稳定到底该怎么解决？你别笑，这事真不简单。大模型输出的 jason 一 旦格式不对，在生产环境里就是三场灾难，线上服务直接崩溃，后端同学疯狂反攻改接口， 或者像刚才那哥们一样，面试直接被刷。很多人觉得这是小问题，但这恰恰暴露了你缺乏工程化思维。这三个坑，你踩中了几个？别急，我给你一套从入门到封神的完整解决方案。 先给你一套零成本就能落地的新手方案，看完就能用。核心就是把你的 promptton 当成代码来写。第一，给他一个完整的格式蓝图，把 jason 结构、字段、类型每举值都写清楚。第二，划清约束边界，明确告诉他禁止输出任何多余的解释性文字。第三，给一个少样本示范，让他模仿 这套方法能把解析错误率从百分之三十降到百分之五以内。但这一层只能让你在面试里甩开百分之九十人的核心方案还在后面， 光靠提示词是远远不够的。真正的工程师会做防御性编程，我给你一套三层防御体系。第一层用正则切片，像网络协议的针同步一样快速定位 jason 数据。第二层用 jason 修复库向数据链路层的 e、 c、 c 纠错码，修复轻微语法错误。第三层用 prnt 做强类型校验，向应用层的 skma 验证， 确保业务逻辑正确。这里有个反常式洞察，过度依赖 promptent 恰恰是生产环境最大的风险。能答出这一层，你已经一只脚踏进了 offer 门槛。真正的架构师会从系统层面解决问题， 建立旁路监控系统，实时追踪解析成功率，把失败的样本扔进异常样本桶，形成数据飞轮。最关键的是引入约束解码技术，从模型推理层面彻底杜绝格式错误。 我很多学员就是靠这套完整的解决方案，在面试里直接拉开了和其他候选人的差距，顺利掌心入职。最后，我再给你一个能直接附用的职业提升捷径。说点实在的，我有个学员就把这套思路完完整整的用在了面试里 面。士官一问到 jason 稳定性问题，他从提示词讲到工程容错，再到架构设计逻辑清晰、方案完整，直接碾压了同场的其他候选人，最后拿到了百分之四十的薪资涨幅。 如果你也想在大模型应用开发方向获得更好的职业发展，我这边提供简历优化、项目经验包装和面试辅导和空窗期时间处理都能帮到你。 记住，大模型本身是概率性的，你永远无法百分之一百消除它的不确定性，而我们工程师的核心价值，恰恰就是在这种不确定性之上构建起确定性的系统。往期合集里还有更多程序员面试避坑干货，觉得有用的点个赞支持一下 评论区，我会挑三个高频问题，下期专门出拆解方案。最后，你面试中被问过这个问题吗？评论区聊聊，关注我，程序员面试少走百分之九十的弯路！

好，各位学前段同学说一个，在直播的时候啊，一位同学提出了一个问题，他有一个接收格式的字母串啊，这个字母串我这里就写死了哈，他那边是来自于别的地方，然后这字母串里边呢，它包含了一个属性啊，这个属性呢，是一个非常非常长的一个数字， 那么这样子一来的话，你把它转换成对象的话，你会发现啊，这个属性呢，它的精度呢，会有所损失，因为我知道在 gs 语言里边，它的数字它是有固定精度的，那么就会有精度的损失。 这个问题怎么解决？我们的核心思路呢？就是啥呢？我们的核心思路呢，就是我们希望呢，要保留这个精度，那么它转换出来的就不能是一个普通的数字类型了，就必须要么就是 begin， 要么呢就是一个字母串。但问题是呢，这个 jason 它转换的时候呢， 默认就是把它转换成数字的，那肯定就不能使用它的默认方式，因此呢，我们需要去干预它的接收格式的解析。那怎么来干预呢？好，就好在呢，这个函数啊，它给你提供了第二个参数，第二个参数呢，你可以写个函数来干预它的解析。这个函数呢，接收三个参数啊，一个是 key value， 一个是 context， 咱们打印看一下啊， 打印看一下 key， value， context。 好， 下面我们看一下，这是它打印的结果， key 是 big number 啊，就对应到这里，也就是说它在解析的过程中，每发现一个键值，对，它就会调用这个函数， 然后呢把它的键值里边的 key 和 value 的 值，对吧？它转换出来是 number 和 value 的 值，以及呢，它原始的这个内容，你看这个对象，它里边记录了它原始的这个字母串里边的值的内容啊，它是作为一个字母串来记录的，它都传给你，然后呢，它会使用你这个函数的返回的结果作为这个字段的值。 好，那么比方说啊，你这里返回的是一个一二三，你看一下，到这里打印，打印出来啊，你会发现呢，它这一块的转换结果就是一二三，懂这意思吧，所以呢，你这一块就可以处理了，怎么处理呢？非常简单啊，我们就判断一下啊，就是那些超长的那个数字的个字段名字的判断一下，如果说你的 key 等于啥呢？等于 big number 啊，那么这是个超长的一个数字的字段，那么我们要单独来处理其他的情况呢，我们直接返回它的 y 值就可以了， 那么这一块怎么处理呢？你就是把这个 source 啊，就是原始的这个字串返回就行了啊，返回这个什么 context 的 source 就 完事了，好，运行，看一下，是不是这样子呢，就可以保留精度了啊，当然也可以把它变成一个 bigint 啊，那改成 bigint 的 话，那么这里就是它放到 bigint 的 函数里边去，这样子呢，也可以保留精度啊， 运行看一下，对吧，它就变成一个 bigint 了，不过呢，你要注意一下啊，就是 bigint 呢，它是只支持整数哈，小数的话，你还是只能保留字母串哈。

ai 做图，怎么能让 ai 保持你想要的风格？教大家一个这算小技巧。首先，你先找一张你很满意的图， 最好是构图，灯光风格都已经很稳定，把这张图留给 ai prompt， 让 ai 把这张图转成结构化，这算 ai 会开始用一种非常结构化的方法重新理解你的图片，包括灯光镜头背景 眼色彩质空间关系等等。本质上， ai 是 在帮你建立一个视觉 sop。 以后如果你想生成新的图片，你不用重新写 prompt， 你 只需要修改 json 里面的细节，然后把原图和新的 j 轴一起丢给 ai， ai 就 会在保持原来的风格一致性的情况下生成新的图片。最后讲个笑话，一只鸡小时候数学很好，长大了变成什么计算机。

大模型输出的自然语言文本可通过 jason output passer 解析为 jason 数据。 jason output passer 按照 jason 语法规范，将大模型输出的文本解析为结构化的 jason 对 象，让 ai 大 模型给出一个人的信息 连 chain 内置提示词的意思是返回一个 jason 对 象。 pedantic output parcel jason output parcel 增强版通过 pedantic 模型解析校验， jason 转为强类型对象，保障类型安全。创建解析器时需要绑定数据模型。在使用 pedantic 定义数据模型之前，我们需要先导入必要的依赖。 首先从 pidetic 库导入核心机类 base model 和次段配置工具 field， 再从 python 标准库的太平模块导入 list 和 optional 这两个常用类型。注解 好，现在我们来写 person 模型，所有 pidetic 模型都要记成 base model。 我 们定义四个字段，姓名 name 是 字母串， 年龄 age 是 整数，职业 post 是 字母串兴趣爱好 hobbies 是 字母串列表，每个字段都用 field 加上 description 说明， 调用 invoke 方法即可将大模型返回的文本自动解析为实体对象，直接通过属性读取各项数据 联想内置提示词的意思是输出必须格式化为符合以下 jazz 模式的 jazz 实力，例如。

这个单韵母到底怎么读呢？有人说它读喔是不对的，因为喔是这个组合的发音。我们单韵母的拼读规则是唇舌不动，口型不变，像啊， 一乌鱼口型都不变。可是如果读成喔的话，喔喔口型发生变化，所以它是不符合单韵母发音标准的。那也有人说它读 o， 那 o 其实是复韵母 o 的 发音，为什么呢？如果读 o 的 话，它是没办法拼读的。我们来读泼水的泼泼欧，泼欧是没法拼读的，所以读 o 也是不对的。那它的正确发音其实是 o， 它和 o 的 发音有点相似，但是不同的是，读 o 的 时候，嘴唇变了，而读单韵母 o， 嘴唇是不变的。来看一下读 o o， 哦哦，而读单韵母哦，是哦哦哦，嘴唇不变。教大家一个小技巧，我们可以先发呃音呃呃呃，然后呢？舌头不要动，只把嘴唇拢圆了，呃呃 呃，然后读呃哦哦哦，这样就是一个标准的单韵母哦的发音。

最近呢，很多的 ai 博主都跟大家在讲，用让大语言模型用 html 输出，结果会让人看起来非常的方便，更易读，而且它有可能生成这种交互式界面吧，让它的信息可能更快的被人去接受， 那这一点我是非常认同的，但是你有没有想过，相同的信息密度之下，你让大语言模型输出 html 跟 markdown 和 jason 相比，那他会多费多少的 token 呢？那但这个的疑问，我自己做了一个下面这么样的一个测试啊，给大家看一下结果。首先要说明的是，这个测试完全不是很严谨的，只是定性的做一下分析。好啊，那我这边测试了三个任务啊，一个是做 物流分析，第二个是写程序，第三个是做气象报告。那每一个任务呢，我都用四种格式让他做输出啊， markdown， h t， m l 啊， jason 和这个纯文本。那输出的时候呢，我这边用的是 deepseek v 四 flash 的 模型，然后 system prompt。 就是 啊，这个系统提示词已经啊在上面已经写好了， 然后 user prompt 是 刚才那几个任务。好，那我这边呢，是用了啊，为了精确的控制呢，我的温度 temperature 设为零，而且把这个思考模式是关闭的。好， 把所有的每次回答的头肯啊拿下来保存在这个地方。那最后呢，我其实啊是每一个任务，每一个 啊输出的格式呢，我都做了三次，然后求一个平均值。好，那我们看一下最后的结果是什么样子的，我这个地方画了一个图啊，我在这把这个图打开，可以给大家看一下。那这个图呢，每组 是一个任务，然后这个最左边这个很高的一个柱子呢，就是用 html 的 输出，它的每次平均的 token 值是什么样的？ 然后中间两个绿色呢，是 jason 和 markdown， 大家看到几乎是不分伯仲的啊，它这么一个一个结果，然后最啊这个绿色的下面呢是一个纯文本输出，就没有任何控制幅，大家可现可想而知，它的这个 token 数应该是最少的。 那还有一个结果呢，我们可以看到啊，最后我做了一个统计啊，就是相较于 纯文本来讲，全全部的排名，基本上 hcm， 它大概在我的这种情况下呢，会有三倍多的这么一个 token 的 一个膨胀率，那啊， jason 和 markdown 基本上是百分之不到百分之五十，我觉得还是可以接受的。那么所以 到底你是要选哪个什么样的输出呢？我觉得我个人建议这样子，如果你的大元模型的直接你的任务的模型的直接输出是对人去看的啊，给人去看的，那 同时你又对 token 没有那么敏感的话，这时候你就大胆的让他去输出这个 html， 甚至各种的交互，你都可以加进去各种漂亮的颜色，对吧，为了让人更能够更好的吸收， 那好啊，那第二个如果你是给人去读的，但是呢，你对 token 的 要求又非常的严格，又非常对他沉稳又非常敏感，这个时候呢，我建议你还是 keep 在 啊 markdown， 毕竟在信息量的同有同样的信息量，同时啊，大概这个相对于人还是相对比较容易读的，尤其是它经过简单的渲染以后，对吧？那如果你的大体模型对接的是后啊，下游或者上游的一些程序，那这个时候当然 无庸置疑，你最好的一个选择应该是 jason， jason 它可以控制你输出的这个字段，然后方便你上下游的程序的对接。好吧，不知道看完这个测试以后你有什么感想呢？啊？对于大于模型的输出，你有什么想法？也欢迎在评论区里面大家聊聊看。那我们今天就先这样了，点赞评论转发，咱们下次接着聊，拜拜。