awesome-chatgpt-prompts/src/content/book/el/05-structured-output.mdx

Η απόκτηση συνεπούς, καλά μορφοποιημένης εξόδου είναι απαραίτητη για εφαρμογές παραγωγής και αποδοτικές ροές εργασίας. Αυτό το κεφάλαιο καλύπτει τεχνικές για τον έλεγχο του ακριβώς πώς τα μοντέλα AI μορφοποιούν τις απαντήσεις τους.

<Callout type="info" title="Από Πεζό Λόγο σε Δεδομένα">
Η δομημένη έξοδος μετατρέπει τις απαντήσεις AI από ελεύθερο κείμενο σε πρακτικά, αναλύσιμα δεδομένα.
</Callout>

## Γιατί Έχει Σημασία η Δομή

<StructuredOutputDemo />

## Βασικές Τεχνικές Μορφοποίησης

### Λίστες

Οι λίστες είναι τέλειες για οδηγίες βήμα-βήμα, κατατεταγμένα στοιχεία, ή συλλογές σχετικών σημείων. Είναι εύκολο να σαρωθούν και να αναλυθούν. Χρησιμοποιήστε **αριθμημένες λίστες** όταν η σειρά έχει σημασία (βήματα, κατατάξεις) και **κουκκίδες** για μη ταξινομημένες συλλογές.

<TryIt 
  compact
  title="Μορφοποίηση Λίστας"
  prompt={`Δώσε 5 συμβουλές για καλύτερο ύπνο.

Μορφή: Αριθμημένη λίστα με σύντομη εξήγηση για κάθε μία.
Κάθε συμβουλή πρέπει να είναι έντονη, ακολουθούμενη από παύλα και εξήγηση.`}
/>

<Callout type="tip" title="Βέλτιστες Πρακτικές Λίστας">
Καθορίστε τον ακριβή αριθμό στοιχείων που θέλετε, αν θα συμπεριλάβετε εξηγήσεις, και αν τα στοιχεία πρέπει να είναι έντονα ή να έχουν συγκεκριμένη δομή.
</Callout>

### Πίνακες

Οι πίνακες υπερέχουν στη σύγκριση πολλαπλών στοιχείων στις ίδιες διαστάσεις. Είναι ιδανικοί για συγκρίσεις χαρακτηριστικών, περιλήψεις δεδομένων, και οποιαδήποτε πληροφορία με συνεπή χαρακτηριστικά. Πάντα ορίζετε τις επικεφαλίδες στηλών ρητά.

<TryIt 
  compact
  title="Μορφοποίηση Πίνακα"
  prompt={`Σύγκρινε τα κορυφαία 4 Python web frameworks.

Μορφοποίησε ως πίνακα markdown με στήλες:
| Framework | Καλύτερο Για | Καμπύλη Μάθησης | Απόδοση |`}
/>

<Callout type="tip" title="Βέλτιστες Πρακτικές Πίνακα">
Καθορίστε ονόματα στηλών, αναμενόμενους τύπους δεδομένων (κείμενο, αριθμούς, βαθμολογίες), και πόσες σειρές χρειάζεστε. Για πολύπλοκες συγκρίσεις, περιορίστε σε 4-6 στήλες για αναγνωσιμότητα.
</Callout>

### Επικεφαλίδες και Ενότητες

Οι επικεφαλίδες δημιουργούν σαφή δομή εγγράφου, κάνοντας τις μεγάλες απαντήσεις σαρώσιμες και οργανωμένες. Χρησιμοποιήστε τες για αναφορές, αναλύσεις, ή οποιαδήποτε απάντηση πολλαπλών μερών. Οι ιεραρχικές επικεφαλίδες (##, ###) δείχνουν σχέσεις μεταξύ ενοτήτων.

```
Ανάλυσε αυτή την επιχειρηματική πρόταση.

Δόμησε την απάντησή σου με αυτές τις ενότητες:
## Εκτελεστική Σύνοψη
## Δυνατά Σημεία
## Αδυναμίες
## Συστάσεις
## Αξιολόγηση Κινδύνου
```

<Callout type="tip" title="Βέλτιστες Πρακτικές Ενοτήτων">
Κατονομάστε τις ενότητές σας στη σειρά που τις θέλετε. Για συνέπεια, καθορίστε τι πρέπει να περιέχει κάθε ενότητα (π.χ., "Εκτελεστική Σύνοψη: μόνο 2-3 προτάσεις").
</Callout>

### Έμφαση με Οδηγίες Κεφαλαίων

Οι λέξεις με κεφαλαία λειτουργούν ως ισχυρά σήματα στο μοντέλο, τονίζοντας κρίσιμους περιορισμούς ή απαιτήσεις. Χρησιμοποιήστε τες με φειδώ για μέγιστο αντίκτυπο—η υπερβολική χρήση αραιώνει την αποτελεσματικότητά τους.

**Κοινές Οδηγίες Κεφαλαίων:**

<InfoGrid items={[
  { label: "ΠΟΤΕ", description: "Απόλυτη απαγόρευση: \"ΠΟΤΕ μην συμπεριλαμβάνεις προσωπικές απόψεις\"", color: "red" },
  { label: "ΠΑΝΤΑ", description: "Υποχρεωτική απαίτηση: \"ΠΑΝΤΑ αναφέρε πηγές\"", color: "green" },
  { label: "ΣΗΜΑΝΤΙΚΟ", description: "Κρίσιμη οδηγία: \"ΣΗΜΑΝΤΙΚΟ: Κράτα τις απαντήσεις κάτω από 100 λέξεις\"", color: "amber" },
  { label: "ΜΗΝ", description: "Ισχυρή απαγόρευση: \"ΜΗΝ επινοείς στατιστικά\"", color: "red" },
  { label: "ΠΡΕΠΕΙ", description: "Απαιτούμενη ενέργεια: \"Η έξοδος ΠΡΕΠΕΙ να είναι έγκυρο JSON\"", color: "blue" },
  { label: "ΜΟΝΟ", description: "Περιορισμός: \"Επέστρεψε ΜΟΝΟ τον κώδικα, χωρίς εξηγήσεις\"", color: "purple" },
]} />

```
Συνόψισε αυτό το άρθρο.

ΣΗΜΑΝΤΙΚΟ: Κράτα τη σύνοψη κάτω από 100 λέξεις.
ΠΟΤΕ μην προσθέτεις πληροφορίες που δεν υπάρχουν στο πρωτότυπο.
ΠΑΝΤΑ διατήρησε τον αρχικό τόνο και προοπτική.
ΜΗΝ συμπεριλαμβάνεις τις δικές σου απόψεις ή ανάλυση.
```

<Callout type="warning" title="Χρησιμοποίησε με Φειδώ">
Αν όλα είναι με κεφαλαία ή επισημασμένα ως κρίσιμα, τίποτα δεν ξεχωρίζει. Κράτησε αυτές τις οδηγίες για πραγματικά σημαντικούς περιορισμούς.
</Callout>

## Έξοδος JSON

Το JSON (JavaScript Object Notation) είναι η πιο δημοφιλής μορφή για δομημένη έξοδο AI. Είναι αναγνώσιμο από μηχανές, ευρέως υποστηριζόμενο από γλώσσες προγραμματισμού, και τέλειο για APIs, βάσεις δεδομένων, και ροές εργασίας αυτοματισμού. Το κλειδί για αξιόπιστο JSON είναι η παροχή σαφούς schema.

### Βασικό Αίτημα JSON

Ξεκινήστε με ένα template που δείχνει την ακριβή δομή που θέλετε. Συμπεριλάβετε ονόματα πεδίων, τύπους δεδομένων, και παραδείγματα τιμών. Αυτό λειτουργεί ως συμβόλαιο που θα ακολουθήσει το μοντέλο.

<TryIt 
  title="Εξαγωγή JSON"
  description="Εξαγάγετε δομημένα δεδομένα από μη δομημένο κείμενο."
  prompt={`Εξαγάγε πληροφορίες από αυτό το κείμενο και επέστρεψε ως JSON:

{
    "company_name": "string",
    "founding_year": number,
    "headquarters": "string",
    "employees": number,
    "industry": "string"
}

Κείμενο: "Η Apple Inc., που ιδρύθηκε το 1976, έχει έδρα στο Cupertino της Καλιφόρνια. Ο τεχνολογικός κολοσσός απασχολεί περίπου 164.000 άτομα παγκοσμίως."`}
/>

### Πολύπλοκες Δομές JSON

Για ένθετα δεδομένα, χρησιμοποιήστε ιεραρχικό JSON με αντικείμενα μέσα σε αντικείμενα, πίνακες αντικειμένων, και μικτούς τύπους. Ορίστε κάθε επίπεδο ξεκάθαρα και χρησιμοποιήστε annotations τύπου TypeScript (`"positive" | "negative"`) για να περιορίσετε τιμές.

```
Ανάλυσε αυτή την κριτική προϊόντος και επέστρεψε JSON:

{
  "review_id": "string (δημιούργησε μοναδικό)",
  "sentiment": {
    "overall": "positive" | "negative" | "mixed" | "neutral",
    "score": 0.0-1.0
  },
  "aspects": [
    {
      "aspect": "string (π.χ., 'τιμή', 'ποιότητα')",
      "sentiment": "positive" | "negative" | "neutral",
      "mentions": ["ακριβή αποσπάσματα από κριτική"]
    }
  ],
  "purchase_intent": {
    "would_recommend": boolean,
    "confidence": 0.0-1.0
  },
  "key_phrases": ["string array αξιοσημείωτων φράσεων"]
}

Επέστρεψε ΜΟΝΟ έγκυρο JSON, χωρίς επιπλέον κείμενο.

Κριτική: "[κείμενο κριτικής]"
```

### Εξασφάλιση Έγκυρου JSON

Τα μοντέλα μερικές φορές προσθέτουν επεξηγηματικό κείμενο ή μορφοποίηση markdown γύρω από το JSON. Αποτρέψτε αυτό με ρητές οδηγίες για τη μορφή εξόδου. Μπορείτε να ζητήσετε raw JSON ή JSON μέσα σε code blocks—επιλέξτε βάσει των αναγκών ανάλυσής σας.

Προσθέστε ρητές οδηγίες:

```
ΣΗΜΑΝΤΙΚΟ:
- Επέστρεψε ΜΟΝΟ το αντικείμενο JSON, χωρίς markdown code blocks
- Βεβαιώσου ότι όλα τα strings είναι σωστά escaped
- Χρησιμοποίησε null για ελλείπουσες τιμές, όχι undefined
- Επαλήθευσε ότι η έξοδος είναι αναλύσιμο JSON
```

Ή ζητήστε code blocks ζητώντας από το μοντέλο να περιτυλίξει την έξοδό του:

````
Επέστρεψε το αποτέλεσμα ως JSON code block:
```json
{ ... }
```
````

## Έξοδος YAML

Το YAML είναι πιο αναγνώσιμο από ανθρώπους από το JSON, χρησιμοποιώντας εσοχή αντί για αγκύλες. Είναι το standard για αρχεία διαμόρφωσης (Docker, Kubernetes, GitHub Actions) και λειτουργεί καλά όταν η έξοδος θα διαβαστεί από ανθρώπους ή θα χρησιμοποιηθεί σε DevOps πλαίσια. Το YAML είναι ευαίσθητο στην εσοχή, οπότε να είστε συγκεκριμένοι για τις απαιτήσεις μορφοποίησης.

<TryIt 
  compact
  title="Δημιουργία YAML"
  prompt={`Δημιούργησε ένα GitHub Actions workflow για ένα Node.js project.

Επέστρεψε ως έγκυρο YAML:
- Συμπερίλαβε: install, lint, test, build στάδια
- Χρησιμοποίησε Node.js 18
- Cache npm dependencies
- Εκτέλεση σε push στο main και pull requests`}
/>

## Έξοδος XML

Το XML απαιτείται ακόμα για πολλά enterprise συστήματα, SOAP APIs, και legacy ενσωματώσεις. Είναι πιο εκτενές από το JSON αλλά προσφέρει χαρακτηριστικά όπως attributes, namespaces, και CDATA sections για πολύπλοκα δεδομένα. Καθορίστε ονόματα στοιχείων, δομή ένθεσης, και πού να χρησιμοποιήσετε attributes έναντι child elements.

```
Μετάτρεψε αυτά τα δεδομένα σε μορφή XML:

Απαιτήσεις:
- Root element: <catalog>
- Κάθε στοιχείο σε <book> element
- Συμπερίλαβε attributes όπου ενδείκνυται
- Χρησιμοποίησε CDATA για κείμενο περιγραφής

Δεδομένα: [δεδομένα βιβλίου]
```

## Προσαρμοσμένες Μορφές

Μερικές φορές οι standard μορφές δεν ταιριάζουν στις ανάγκες σας. Μπορείτε να ορίσετε οποιαδήποτε προσαρμοσμένη μορφή παρέχοντας ένα σαφές template. Οι προσαρμοσμένες μορφές λειτουργούν καλά για αναφορές, logs, ή εξόδους ειδικού τομέα που θα διαβαστούν από ανθρώπους.

### Μορφή Δομημένης Ανάλυσης

Χρησιμοποιήστε διαχωριστές (===, ---, [SECTION]) για να δημιουργήσετε σαρώσιμα έγγραφα με σαφή όρια μεταξύ ενοτήτων. Αυτή η μορφή είναι εξαιρετική για αναθεωρήσεις κώδικα, ελέγχους, και αναλύσεις.

```
Ανάλυσε αυτόν τον κώδικα χρησιμοποιώντας αυτή την ακριβή μορφή:

=== ΑΝΑΛΥΣΗ ΚΩΔΙΚΑ ===

[ΣΥΝΟΨΗ]
Μία παράγραφος επισκόπηση

[ΠΡΟΒΛΗΜΑΤΑ]
• ΚΡΙΣΙΜΟ: [πρόβλημα] — [αρχείο:γραμμή]
• ΠΡΟΕΙΔΟΠΟΙΗΣΗ: [πρόβλημα] — [αρχείο:γραμμή]  
• ΠΛΗΡΟΦΟΡΙΑ: [πρόβλημα] — [αρχείο:γραμμή]

[ΜΕΤΡΙΚΕΣ]
Πολυπλοκότητα: [Χαμηλή/Μέση/Υψηλή]
Συντηρησιμότητα: [βαθμολογία]/10
Κάλυψη Δοκιμών: [εκτιμώμενο %]

[ΣΥΣΤΑΣΕΙΣ]
1. [Σύσταση προτεραιότητας 1]
2. [Σύσταση προτεραιότητας 2]

=== ΤΕΛΟΣ ΑΝΑΛΥΣΗΣ ===
```

### Μορφή Συμπλήρωσης Κενών

Τα templates με κενά (___) καθοδηγούν το μοντέλο να συμπληρώσει συγκεκριμένα πεδία διατηρώντας ακριβή μορφοποίηση. Αυτή η προσέγγιση είναι εξαιρετική για φόρμες, briefs, και τυποποιημένα έγγραφα όπου η συνέπεια έχει σημασία.

```
Συμπλήρωσε αυτό το template για το δοσμένο προϊόν:

PRODUCT BRIEF
─────────────
Όνομα: _______________
Tagline: _______________
Χρήστης-Στόχος: _______________
Πρόβλημα που Λύνει: _______________
Βασικά Χαρακτηριστικά:
  1. _______________
  2. _______________
  3. _______________
Διαφοροποίηση: _______________

Προϊόν: [περιγραφή προϊόντος]
```

## Τυποποιημένες Απαντήσεις

Οι τυποποιημένες απαντήσεις ορίζουν κατηγορίες ή τύπους οντοτήτων που πρέπει να αναγνωρίσει και να επισημάνει το μοντέλο. Αυτή η τεχνική είναι απαραίτητη για Named Entity Recognition (NER), εργασίες ταξινόμησης, και οποιαδήποτε εξαγωγή όπου χρειάζεται να κατηγοριοποιήσετε πληροφορίες συνεπώς. Ορίστε τους τύπους σας ξεκάθαρα με παραδείγματα.

<TryIt 
  compact
  title="Εξαγωγή Οντοτήτων"
  prompt={`Εξαγάγε οντότητες από αυτό το κείμενο.

Τύποι Οντοτήτων:
- ΠΡΟΣΩΠΟ: Πλήρη ονόματα ατόμων
- ΟΡΓΑΝΙΣΜΟΣ: Ονόματα οργανισμών/εταιρειών
- ΤΟΠΟΘΕΣΙΑ: Πόλεις, χώρες, διευθύνσεις
- ΗΜΕΡΟΜΗΝΙΑ: Ημερομηνίες σε μορφή ISO (YYYY-MM-DD)
- ΧΡΗΜΑΤΑ: Χρηματικά ποσά με νόμισμα

Μορφοποίησε κάθε μία ως: [ΤΥΠΟΣ]: [τιμή]

Κείμενο: "Ο Tim Cook ανακοίνωσε ότι η Apple θα επενδύσει 1 δισεκατομμύριο δολάρια σε νέα εγκατάσταση στο Austin μέχρι τον Δεκέμβριο 2024."`}
/>

## Πολυμερείς Δομημένες Απαντήσεις

Όταν χρειάζεστε ολοκληρωμένη έξοδο που καλύπτει πολλαπλές πτυχές, ορίστε ξεχωριστά μέρη με σαφή όρια. Καθορίστε ακριβώς τι πηγαίνει σε κάθε μέρος—μορφή, μήκος, και τύπος περιεχομένου. Αυτό αποτρέπει το μοντέλο από το να αναμιγνύει ενότητες ή να παραλείπει μέρη.

```
Ερεύνησε αυτό το θέμα και δώσε:

### ΜΕΡΟΣ 1: ΕΚΤΕΛΕΣΤΙΚΗ ΣΥΝΟΨΗ
[Επισκόπηση 2-3 προτάσεων]

### ΜΕΡΟΣ 2: ΒΑΣΙΚΑ ΕΥΡΗΜΑΤΑ
[Ακριβώς 5 κουκκίδες]

### ΜΕΡΟΣ 3: ΠΙΝΑΚΑΣ ΔΕΔΟΜΕΝΩΝ
| Μετρική | Τιμή | Πηγή |
|---------|------|------|
[Συμπερίλαβε τουλάχιστον 5 σειρές]

### ΜΕΡΟΣ 4: ΣΥΣΤΑΣΕΙΣ
[Αριθμημένη λίστα 3 πρακτικών συστάσεων]

### ΜΕΡΟΣ 5: ΠΕΡΑΙΤΕΡΩ ΑΝΑΓΝΩΣΗ
[3 προτεινόμενοι πόροι με σύντομες περιγραφές]
```

## Υπό Συνθήκη Μορφοποίηση

Η υπό συνθήκη μορφοποίηση σας επιτρέπει να ορίσετε διαφορετικές μορφές εξόδου βάσει των χαρακτηριστικών της εισόδου. Αυτό είναι ισχυρό για συστήματα ταξινόμησης, διαλογής, και δρομολόγησης όπου η μορφή απάντησης πρέπει να ποικίλει βάσει του τι ανιχνεύει το μοντέλο. Χρησιμοποιήστε σαφή λογική if/then με ρητά templates εξόδου για κάθε περίπτωση.

<TryIt 
  compact
  title="Ταξινόμηση Αιτημάτων"
  prompt={`Ταξινόμησε αυτό το αίτημα υποστήριξης.

Αν ΕΠΕΙΓΟΝ (σύστημα κάτω, ζήτημα ασφαλείας, απώλεια δεδομένων):
  Επέστρεψε: 🔴 ΕΠΕΙΓΟΝ | [Κατηγορία] | [Προτεινόμενη Ενέργεια]

Αν ΥΨΗΛΟ (επηρεάζει πολλούς χρήστες, επίπτωση σε έσοδα):
  Επέστρεψε: 🟠 ΥΨΗΛΟ | [Κατηγορία] | [Προτεινόμενη Ενέργεια]

Αν ΜΕΣΑΙΟ (επηρεάζεται μόνος χρήστης, υπάρχει workaround):
  Επέστρεψε: 🟡 ΜΕΣΑΙΟ | [Κατηγορία] | [Προτεινόμενη Ενέργεια]

Αν ΧΑΜΗΛΟ (ερωτήσεις, αιτήματα χαρακτηριστικών):
  Επέστρεψε: 🟢 ΧΑΜΗΛΟ | [Κατηγορία] | [Προτεινόμενη Ενέργεια]

Αίτημα: "Δεν μπορώ να συνδεθώ στον λογαριασμό μου. Έχω δοκιμάσει να επαναφέρω τον κωδικό πρόσβασής μου δύο φορές αλλά συνεχίζω να παίρνω σφάλμα. Αυτό εμποδίζει όλη την ομάδα μου από την πρόσβαση στο dashboard."`}
/>

## Πίνακες και Λίστες σε JSON

Η εξαγωγή πολλαπλών στοιχείων σε πίνακες απαιτεί προσεκτικό ορισμό schema. Καθορίστε τη δομή πίνακα, τι πρέπει να περιέχει κάθε στοιχείο, και πώς να χειριστείτε ακραίες περιπτώσεις (κενοί πίνακες, μονά στοιχεία). Η συμπερίληψη πεδίου count βοηθά στην επαλήθευση πληρότητας.

```
Εξαγάγε όλα τα action items από αυτό το πρακτικό συνάντησης.

Επέστρεψε ως JSON array:
{
  "action_items": [
    {
      "task": "string που περιγράφει την εργασία",
      "assignee": "όνομα ατόμου ή 'Μη ανατεθειμένο'",
      "deadline": "ημερομηνία αν αναφέρεται, αλλιώς null",
      "priority": "high" | "medium" | "low",
      "context": "σχετικό απόσπασμα από πρακτικό"
    }
  ],
  "total_count": number
}

Πρακτικό: "[πρακτικό συνάντησης]"
```

## Οδηγίες Επικύρωσης

Η αυτο-επικύρωση προτρέπει το μοντέλο να ελέγξει τη δική του έξοδο πριν απαντήσει. Αυτό πιάνει κοινά προβλήματα όπως ελλείπουσες ενότητες, κείμενο placeholder, ή παραβιάσεις περιορισμών. Το μοντέλο θα επαναλάβει εσωτερικά για να διορθώσει προβλήματα, βελτιώνοντας την ποιότητα εξόδου χωρίς επιπλέον API κλήσεις.

```
Δημιούργησε την αναφορά, μετά:

ΛΙΣΤΑ ΕΛΕΓΧΟΥ ΕΠΙΚΥΡΩΣΗΣ:
□ Όλες οι απαιτούμενες ενότητες παρούσες
□ Κανένα κείμενο placeholder δεν απομένει
□ Όλα τα στατιστικά περιλαμβάνουν πηγές
□ Αριθμός λέξεων εντός 500-700 λέξεων
□ Το συμπέρασμα συνδέεται με την εισαγωγή

Αν οποιοσδήποτε έλεγχος αποτύχει, διόρθωσε πριν απαντήσεις.
```

## Χειρισμός Προαιρετικών Πεδίων

Τα δεδομένα πραγματικού κόσμου συχνά έχουν ελλείπουσες τιμές. Δώστε ρητές οδηγίες στο μοντέλο για το πώς να χειριστεί προαιρετικά πεδία—η χρήση `null` είναι καθαρότερη από κενά strings και ευκολότερη στην προγραμματική επεξεργασία. Επίσης αποτρέψτε την "παραισθησιογένεση" ελλειπόντων δεδομένων τονίζοντας ότι το μοντέλο δεν πρέπει ποτέ να επινοεί πληροφορίες.

```
Εξαγάγε στοιχεία επικοινωνίας. Χρησιμοποίησε null για ελλείποντα πεδία.

{
  "name": "string (απαιτούμενο)",
  "email": "string ή null",
  "phone": "string ή null", 
  "company": "string ή null",
  "role": "string ή null",
  "linkedin": "URL string ή null"
}

ΣΗΜΑΝΤΙΚΟ: 
- Ποτέ μην επινοείς πληροφορίες που δεν υπάρχουν στην πηγή
- Χρησιμοποίησε null, όχι κενά strings, για ελλείποντα δεδομένα
- Αριθμοί τηλεφώνου σε μορφή E.164 αν είναι δυνατόν
```

## Σύνοψη

<Callout type="tip" title="Βασικές Τεχνικές">
Να είστε ρητοί για τη μορφή, χρησιμοποιήστε παραδείγματα, καθορίστε τύπους, χειριστείτε ακραίες περιπτώσεις με null τιμές, και ζητήστε από το μοντέλο να επικυρώσει τη δική του έξοδο.
</Callout>

<Quiz 
  question="Ποιο είναι το κύριο πλεονέκτημα της δομημένης εξόδου έναντι του μη δομημένου κειμένου;"
  options={[
    "Χρησιμοποιεί λιγότερα tokens",
    "Είναι ευκολότερο για την AI να δημιουργήσει",
    "Μπορεί να αναλυθεί προγραμματικά και να επικυρωθεί",
    "Παράγει πάντα σωστές πληροφορίες"
  ]}
  correctIndex={2}
  explanation="Δομημένες εξόδοι όπως το JSON μπορούν να αναλυθούν από κώδικα, να συγκριθούν μεταξύ queries, να ενσωματωθούν σε ροές εργασίας, και να επικυρωθούν για πληρότητα—πράγματα που είναι δύσκολα ή αδύνατα με ελεύθερο κείμενο."
/>

Οι δομημένες εξόδοι είναι απαραίτητες για τη δημιουργία αξιόπιστων εφαρμογών με AI. Στο επόμενο κεφάλαιο, θα εξερευνήσουμε το chain-of-thought prompting για πολύπλοκες εργασίες συλλογισμού.