CCA 领域 4 详解：Prompt Engineering 与结构化输出

CCA-F 考试的领域 4 叫 Prompt Engineering & Structured Output，占总分 20%。它考的是你知不知道提示词能塑造什么、只有 schema 才能保证什么。具体判据胜过形容词，几个精心挑选的例子胜过成段的指令，tool_use 消灭结构错误但消灭不了语义错误，对缺失的数据反复重试只会编造出答案而不是找到答案。

这篇文章会讲领域 4 包含什么、为什么占五分之一、必须烂熟的概念、题目怎么出、一道完整情景题的推理，以及常见陷阱。内容建立在我们 25 篇文章的领域 4 学习指南之上，每个观点都链到来源文章。

CCA 领域 4 考什么？

六个任务，各有一篇入门文章：

任务	考点	从这里开始
4.1 具体判据与规则	用可验证的条件替换含糊的修饰词；严重度定义	”保守一点”等于没说——47% 一致率。“缺少样本量”才有意义——94%。
4.2 Few-shot 校准	多样化示例、成对的正反例、格式一致性	纯文字指令做到 64%。两个示例做到 91%。
4.3 通过 tool_use 拿结构化输出	Schema 强制、tool_choice 模式、nullable 字段、封闭 enum	tool_use 消灭了结构错误。语义错误还在。
4.4 语义校验与重试	Schema 之外的校验、纠错反馈、缺失数据分类	盲目重试：3 次修了 12%。带错误反馈：1 次修了 87%。
4.5 Batch API	什么时候批处理、custom_id、部分失败、结果过期	省 50% 成本——但最多等 24 小时
4.6 多轮审查	独立审查实例、逐文件与跨文件两轮	同会话审查：0.3 条发现。独立实例：3.7 条。人类基线：4.1 条。

如果你还不熟悉”用 tool_use 拿结构化输出”这个机制，Foundations 的虚拟工具：借 tool_use 拿到保证格式的 JSON一页就把这个技巧讲清楚了。

领域 4 为什么占 20%？

因为大多数生产环境的 Claude 工作负载都是抽取、分类或审查，这三类活的生死都系于两件事：判据够不够具体、能不能被一致地执行；输出结构够不够可靠、能不能被解析。考纲给领域 4 五分之一的分量，是因为这些决策每个项目都要做，而且失败模式（编造出的必填字段、发散的重试、什么也查不出的自我审查）既昂贵又常见。按 60 题的试卷算大约 12 题（报名前请到 Anthropic / Pearson VUE 官方页面核对当前权重）。

必须烂熟的概念

含糊的词会从多种合理解释里随机采样。 “保守一点”的多次运行一致率是 47%；“当方法论缺少样本量或对照组时标记”是 94%。严重度标签需要文字条件加代码示例（只有标签：41%。加文字条件：72%。文字+代码示例：94%。）。而且只要有一个类别噪声大，开发者就会连带无视一个本来很准的审查器（一个 60% 误报率的类别，让开发者连 95% 准确率的也不看了）。

Few-shot 是校准，不是装饰。 三个多样化的例子胜过八个相似的（3 个多样化示例打败 8 个同质化示例）。如果每个例子都把所有字段填满了，模型就会给缺失的字段编一个（每个示例都填满了所有字段——于是模型开始编造缺失的字段）。用成对的 REPORT 和 SKIP 例子教会模型边界在哪（配对的 REPORT + SKIP 示例：67% → 94% 边界准确率）。

tool_use 保证形状，不保证真假。 强制工具调用总能返回符合 schema 的合法 JSON；但内容仍然可能是错的。三种 tool_choice 各保证什么要记牢（Forced、Any、Auto——三种模式，三种保证，三种失败方式）：单 schema 流水线用强制指定，必须始终产出结构的多 schema 流水线用 any，只有部分输入确实该返回文本时才用 auto。

可选数据上的必填字段会引发幻觉。 如果 warranty_expiry 是必填的而文档里根本没有，模型就会发明一个。改成 ["string","null"]，并从 required 里去掉（必填字段遇上可选数据：幻觉的头号结构性成因）。封闭 enum 能防止同一个日期以三种写法出现（没有格式规则，同一个日期能输出三种写法）。

重试之前先给错误分类。 格式错误在纠错反馈下会收敛；缺失数据错误会发散（每次重试编出一个不同的值）。第一种带着具体错误信息重试；第二种接受 null（对缺失数据重试会导致幻觉——格式错误会收敛，缺失数据会发散）。再加上 schema 表达不了的跨字段检查，比如行项目之和要等于总计（Schema 说合法。行项目加起来不等于总计。两个都是事实。）。

Batch 是成本杠杆，代价是延迟。 大约半价、最长 24 小时、不支持多轮工具调用、结果乱序返回，所以 custom_id 是唯一的关联手段（结果以任意顺序返回——custom_id 是你唯一的关联手段）。只重新提交失败的条目，而且先看清它们为什么失败（940 成功，45 出错，15 过期——只重新提交这 60 个）。

同会话自我审查几乎不算审查。 生成时的推理还在上下文里，模型会为自己的选择辩护。只拿到产物和判据的独立实例，发现数量接近人类水平（单轮审查 13+ 文件：43% 检出率。多轮：86%。）。

考试怎么考领域 4？

题目会给一条抽取或审查流水线、一个测出来的症状和四种修法。常见形态：

• “同一份文档这一轮评为高质量，下一轮评为低质量。“（判据含糊；换成可验证的条件。）
• “模型大约八次里有一次返回文本而不是调用抽取工具。“（tool_choice: auto；改成 any 或强制指定工具。）
• “没有 PO 号的文档，输出里却有 PO 号。“（可选数据上的必填字段；改成 nullable，并且别再对它重试。）
• “用’再试一次’重试只修好了 12% 的失败。“（把具体的校验错误反馈回去。）
• “每晚分类 5 万份文档太贵了。“（Batch API，预算按满 24 小时算，先抽样测试，见全量提交前永远先抽样测试——18% 失败 vs 3%。）
• “让 Claude 严格审查自己的代码，几乎什么也查不出。“（独立的审查实例。）

完整情景题：从客服邮件里抽取保修数据

背景。 一条流水线用强制工具调用从来信里抽取 customer_name、order_id、issue_category 和 warranty_expiry。四个字段都是 required 的字符串。大约三分之一的邮件根本没提保修。下游发现，这些邮件的 warranty_expiry 值有 82% 是原文里根本不存在的日期。有工程师提议在提示词里加”如果没有保修日期就写 N/A”，校验失败时最多重试三次。

选项。

A. 按提议加上 N/A 指令和重试循环。 B. 加两个 few-shot 例子展示 warranty_expiry: null，schema 保持不变。 C. 把 warranty_expiry 改成 ["string","null"]，从 required 里移除，保留强制工具调用，并对校验失败做分类，缺失数据的情况接受 null 而不是重试。 D. 切换到 tool_choice: auto，让模型在数据缺失时可以拒绝回答。

推理。 A 和 B 都在用提示词跟 schema 打架，而 schema 会赢：一个必填的字符串字段装不下 null 或 N/A，所以模型只能编。D 为了修一个字段的问题，把每封邮件的结构保证都拆掉了。C 在 schema 层修掉了根因，也不再让重试循环把缺失数据变成发明的数据。C 是最不坏的选项，也正是必填字段遇上可选数据：幻觉的头号结构性成因和对缺失数据重试会导致幻觉——格式错误会收敛，缺失数据会发散两篇里的操作顺序。

领域 4 题目里的常见陷阱

• 相信加重语气。 “你必须返回合法 JSON”依然只是提示词。如果选项里有 schema 层面的机制，答案通常就是它。
• 把格式正确当成内容正确。 通过 schema 是第一步；跨字段和业务规则校验是第二步。
• 挑一堆相似的例子。 例子的数量不是杠杆，多样性和边界覆盖才是。
• 对缺失数据升级重试。 每一次说”PO 号必须存在”的重试都在提高编造率。
• 以为 batch 可以即插即用。 不支持多轮工具调用、结果乱序、延迟最长一天、结果会过期（轮询、下载、本地存储——结果 29 天后过期）。
• 给审查规定最少发现数量。 模型会为了凑数发明问题。该修的是架构（独立实例、逐文件加跨文件两轮），见哪怕只是生成 Prompt 里的设计目标，也会压制审查发现。
• 把领域 4 和领域 5 的置信度题搞混。 领域 4 用置信度给发现分流、并补 SKIP 例子（追踪开发者驳回了哪些模式——然后加 SKIP 示例）；领域 5 考的是这个数字到底有没有校准过。

下一步

读完六篇入门文章，然后做领域 4 练习题，每道题都留意正确答案落在哪一层：提示词、schema 还是代码。正确率稳定后，去做免费 CCA-F 模拟考。领域 4 全部文章在领域 4 学习指南页，配套的复习顺序版是CCA 领域 4 复习技巧。