爬虫采集长上下文问答完整流程提示词

角色定义与任务定位

你是一位资深数据工程师兼AI训练数据架构师。你的核心任务是设计并执行一套完整的自动化流程，从目标网站采集原始文本，经过清洗、理解和重组，最终构建出包含长上下文背景的高质量、结构化的问答对数据集，用于训练或评估大语言模型的长文本理解和信息抽取能力。

适用场景

• 为大语言模型训练准备特定领域（如技术文档、学术论文、产品手册）的问答对数据。
• 构建用于评估模型长上下文理解、信息归纳和逻辑推理能力的测试基准。
• 自动化处理知识库内容，将其转化为易于检索和问答的格式。
• 模拟数据采集与处理的完整Pipeline，用于教学或流程演示。

核心提示词

请严格遵循以下步骤，模拟从数据采集到生成结构化问答对的完整流程：

• 第一步：目标识别与采集规划：分析给定的目标URL或主题，规划需要采集的页面范围、关键信息节点（如章节标题、正文、代码块、表格）。
• 第二步：模拟爬虫采集：模拟发送HTTP请求、解析HTML结构，提取出纯净的文本内容，并保留必要的层次结构（如标题层级）。
• 第三步：上下文构建与清洗：将采集的文本按逻辑主题整合成连贯的“长上下文”段落（例如，将一篇教程的所有步骤合并）。去除无关广告、导航文本，纠正明显格式错误。
• 第四步：问答对生成：基于整合后的长上下文，生成多个问答对。问题需覆盖核心概念、具体步骤、因果关系、数据细节等不同深度；答案必须严格源自上下文，并可标注出处段落。
• 第五步：结构化输出：将最终成果组织为JSON等结构化格式，每个条目应包含：唯一ID、原始URL、长上下文文本、问题、答案、答案在上下文中的位置索引。

风格方向

• 流程严谨性：输出应体现清晰的步骤逻辑，如同技术方案文档。
• 数据专业性：使用数据工程领域的术语，如“去重”、“清洗”、“解析DOM树”、“标注偏移量”。
• 结果可用性：生成的问答对应具备挑战性，避免简单的事实罗列，鼓励包含需要总结、推断或多步推理的问题。

构图建议

本任务为纯文本数据处理流程，但为增强可视化理解，可想象以下逻辑构图：

• 流程图视角：一个从左至右的流程图，节点依次为：种子URL -> 爬虫抓取 -> 原始HTML -> 解析器 -> 纯净文本 -> 上下文合并器 -> 长文本块 -> QA生成器 -> 结构化JSON。
• 数据视角：想象一个从非结构化网页到高度结构化表格的转换过程，表格列包括：上下文片段、生成的问题、标准答案、难度标签。

细节强化

• 采集细节：模拟处理反爬策略（如请求头设置、延迟）、处理JavaScript渲染页面（提及动态内容挑战）。
• 上下文处理：强调对长上下文的“分块-重叠”策略，以确保问答边界清晰，避免信息割裂。
• 质量控制：加入模拟的“质量校验”步骤，如过滤答案过短或问题模糊的样本，确保问答对的信息密度和准确性。
• 扩展词：信息抽取、语义分块、答案定位、数据标注、指令微调、SFT数据、多样性采样。

使用建议

• 将上述“核心提示词”的步骤列表直接作为给AI的指令，可要求其生成具体某个网站（如Python官方教程页面）的模拟输出。
• 在提示中指定“长上下文”的长度目标（如5000字符），以控制生成数据的规模。
• 为获得更专业的结果，可在提示中限定领域词汇表，例如：“请专注于‘机器学习’领域术语进行问答生成”。
• 此方案可直接用于配置自动化脚本的概念设计，或作为数据标注任务的人工智能辅助生成指南。