【结论】：M2 【依据】：逾期32天超过30天但不足60天；依据《信用卡风险分类指引》第5条，账龄31–60天属M2类。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
你需要让火山引擎接入的大模型在每次响应时都先输出明确结论，再展开说明依据和推理过程，避免信息混杂、重点模糊、用户需要反复扫描才能抓住核心答案。
通过 systemmessages 强制结构化输出
在 llmconfig 的 systemmessages 字段中，直接写入带格式约束的指令，模型会严格遵循该格式生成响应。
第一步：将以下模板复制进 systemmessages 数组的首条消息中（替换原有系统提示）：
“##输出格式强制要求\n- 第一行必须是【结论】：开头，后接不超过20字的明确判断或结果；\n- 第二行起为【依据】：开头，分点列出支撑该结论的关键事实、数据或逻辑链；\n- 禁止出现‘可能’‘或许’‘一般来说’等模糊表述；\n- 若结论涉及数值，必须标注单位与来源上下文。”
这一步必须放在 systemmessages 的第一条，否则模型可能忽略格式优先级。模型对首条 system message 的服从度最高，后续消息权重递减。
第二步：确保该 systemmessages 不被其他动态注入的提示覆盖。若业务中存在运行时拼接的 system prompt（如人设追加、场景补丁），需确认其插入位置在该格式指令之后，否则结构会被破坏。
用 temperature + topp 锁定确定性表达
仅靠 systemmessages 不足以压制模型固有的发散倾向，需配合采样参数收紧输出自由度。
方法一：低温度硬控制
将 temperature 设为 【0.1】。该值接近确定性解码边界，模型几乎不引入随机性，严格按提示词结构组织语言。高于 0.3 时，即使有格式指令，仍可能出现“综上所述”前置、“原因如下”拖沓等非结论优先现象。
方法二：配合 top-p 截断长尾分布
设置 topp = 0.3。这会强制模型只从概率最高的前30%词汇中选词，大幅降低“补充说明”“进一步来看”等冗余连接词出现概率。注意：topp 不能设为 0 或 1，前者导致崩溃，后者等于放弃控制。
验证结论是否真被前置
发送测试 query：“某客户逾期32天，当前账龄分类应为？”
正确响应必须以“【结论】：M2”开头，且首行无换行、无空格、无前导符号。若首行是“根据《信用卡风险分类指引》第5条……”，说明 systemmessages 未生效或被覆盖，需回查配置顺序。
这一步操作起来很简单，直接把测试请求发到推理接口，肉眼扫第一行即可判断。不需要等完整响应返回，首 token 出来就能验。
