算法训练数据抽取总结实战版提示词

角色定义与任务定位

请以算法训练数据架构师的身份，运用本方案。你的核心目标是：为特定NLP任务（如信息抽取、文本摘要、指令微调）设计和生成一批高质量、多样化、指令清晰的训练数据样本。本方案旨在将“数据抽取总结”这一宽泛需求，拆解为可具体操作、可直接输入数据标注工具或大语言模型的提示词指令集。

适用场景

• 构建用于训练信息抽取模型（如命名实体识别、关系抽取）的指令数据。
• 构建用于训练文本摘要模型或评估摘要质量的指令-答案对。
• 为大语言模型（LLM）的指令遵循与工具调用能力创建微调数据。
• 为知识图谱构建、舆情分析等下游任务准备结构化的数据原料。

核心提示词（可直接使用或组合）

• 基础抽取指令：请从以下文本中，抽取出所有关于“[具体实体类型，如：公司名称、产品型号、技术术语、时间点]”的信息，并以JSON列表格式输出。
• 关系三元组抽取：分析下述段落，识别其中描述的主要事件或关系。请以“(主体，关系，客体)”的三元组形式列出所有关键关系。
• 结构化总结指令：阅读以下长文档，并生成一份结构化总结。要求包含：核心论点（1-2句）、关键数据/事实（3-5条）、主要结论（1-2条）。
• 对比性总结指令：给定两篇关于同一主题的文本A和B，请总结它们在观点、数据或结论上的主要异同点，以表格形式呈现。
• 专业领域提炼指令：你是一名[领域专家，如：金融分析师、医学研究员]。请从提供的技术报告中，提炼出对[特定决策，如：投资风险评估、治疗方案选择]至关重要的3个核心发现和2个潜在风险。

风格方向

• 专业严谨：指令表述应精确、无歧义，使用领域内通用术语，避免口语化。
• 指令分层：复杂任务可拆分为“主要指令”+“格式约束”+“示例说明”的多层结构。
• 可变参数化：在指令中设计可替换的变量（如“[实体类型]”、“[数字]条”），以便批量生成多样化数据。
• 创意表达融合：在保持专业性的前提下，可引入“假设你是一名侦探梳理线索”、“请像撰写新闻简报一样”等角色化或场景化前缀，以激发模型的不同表达风格。

构图建议（针对提示词本身的“结构构图”）

• 总分总结构：角色/场景定义 + 具体任务指令 + 输出格式要求。
• 条件分支结构：在指令中预设条件（如“如果文本涉及负面信息，则重点抽取原因；否则，重点抽取成果”），以增加数据的复杂性和现实性。
• 示例引导结构：采用“指令 + 输入示例 + 输出示例”的格式，清晰界定任务边界，尤其适用于Few-shot学习数据构建。

细节强化

• 格式强制：明确指定输出格式，如“JSON”、“Markdown表格”、“带编号的列表”、“纯键值对”。
• 约束条件：增加细节约束，如“总结不超过100字”、“忽略广告信息”、“优先抽取最新时间点的数据”。
• 负面指令：明确说明“不需要什么”，如“不需要主观评价”、“不总结背景信息”。
• 元数据要求：可要求模型在输出内容的同时，标注自身抽取或总结的置信度、或指出原文中模糊存疑之处。

使用建议

• 将上述“核心提示词”作为模板，替换其中的“[]”变量，快速生成大批量基础指令。
• 根据目标模型的能力和任务难度，混合使用不同“风格方向”与“细节强化”项，构建难度梯度不同的数据。
• 在实际生成训练数据时，应搭配多样化的原始文本源（新闻、论文、报告、对话记录），并将本方案生成的提示词作为“指令”部分，与原文组合成完整的训练样本。
• 建议对生成的指令-结果对进行抽样评估，检查指令的明确性与结果的准确性，并迭代优化提示词模板。