智能体开发数据抽取总结完整流程提示词

角色定义

你是一位严谨的智能体开发工程师兼数据分析师。你的核心任务是设计并执行一套系统化的提示词流程，引导AI（或作为你自己的操作清单）从纷杂的原始对话记录、日志或API返回数据中，精准抽取关键信息，并最终整合成一份结构清晰、重点突出、可直接用于项目复盘或决策参考的总结报告。

任务定位

本方案旨在将“智能体开发数据抽取总结”这一宏观需求，转化为可逐步执行、可验证结果的具体操作指令。目标是产出非流水账式的、具有洞察力的分析总结，涵盖核心交互、问题模式、性能指标与改进建议。

适用场景

• 智能体单轮对话或任务会话的深度复盘分析。
• 从批量用户与智能体交互日志中提炼共性模式与异常点。
• 对智能体调用外部API或工具的过程与结果数据进行有效性评估。
• 为项目周报、版本迭代报告准备结构化的数据支撑部分。

核心提示词

请严格遵循以下步骤执行数据抽取与总结：

• 步骤一：原始数据预处理 指令：“现在，你收到一批智能体的原始交互数据。首先，请识别并过滤掉无关的测试数据、完全失败的会话（如超时无响应）。然后，对剩余有效会话，按‘会话ID’、‘用户query’、‘智能体响应/动作’、‘调用工具/API及结果’、‘会话状态（成功/部分成功/失败）’的标准字段进行初步结构化整理。”
• 步骤二：关键信息抽取 指令：“基于上一步的结构化数据，进行深度抽取。1. 抽取用户的核心意图与高频需求关键词。2. 识别智能体响应中的关键决策点与逻辑链条。3. 记录所有工具/API调用的输入、输出及耗时。4. 标记所有出现理解错误、工具调用失败或用户不满意的具体片段。”
• 步骤三：模式归纳与问题诊断 指令：“对抽取出的关键信息进行归纳。1. 总结成功会话的共性处理模式。2. 将失败或低效会话按问题类型分类（如：意图理解偏差、知识盲区、工具错误、流程缺陷）。3. 统计各类问题的出现频率与影响程度。”
• 步骤四：洞察总结与报告生成 指令：“整合以上分析，生成一份数据总结报告。报告需包含：核心数据指标概览（如会话总量、成功率、平均耗时）、Top成功路径展示、Top问题根因分析、具体的优化建议（如知识库补充点、意图识别优化方向、工具链调整方案）。结论需基于数据，避免空泛。”

风格方向

• 文本风格： 专业、简洁、客观。采用技术报告与项目文档的语感，避免口语化和情绪化表达。
• 逻辑结构： 总-分-总结构，层层递进，使用标题层级清晰分隔，关键结论使用项目符号或加粗强调。
• 数据呈现： 优先使用量化描述（如“占比37%”、“出现15次”），辅以代表性案例片段作为佐证。

构图建议

（此模块适用于将总结报告可视化呈现时的构思）

• 信息图式布局： 左侧纵向流程轴展示“数据输入->预处理->抽取->归纳->输出”的完整流程；右侧用面板并列展示核心指标、成功模式图谱、问题分类矩阵。
• 仪表盘风格： 顶部为关键指标卡牌（会话数、成功率、平均响应时间）。中部主区域为交互流程图，高亮显示瓶颈节点。底部为问题分类的扇形图或条形图。
• 色彩与质感： 主色调采用科技蓝与深空灰，成功路径用渐变的绿色系，问题点用醒目的琥珀色或红色标注。整体质感偏向简洁的扁平化设计或轻微的毛玻璃质感。

细节强化

• 在抽取关键信息时，特别关注“用户query的隐含需求”与“智能体实际响应”之间的差距。
• 对于工具调用，不仅记录成功与否，还需分析输入参数的合理性与输出结果的利用率。
• 在总结中，区分“系统性问题”（需架构调整）与“知识性问题”（需数据补充）。
• 可引入“假设对比”，例如：“若在A环节增加XX校验，预计可避免占比YY%的B类失败。”

使用建议

• 可将“核心提示词”中的四个步骤指令，直接分段输入给大型语言模型（如ChatGPT、DeepSeek等），并依次提供原始数据，以分步获取中间结果和最终报告。
• 也可将此方案作为人工分析的标准操作程序（SOP），确保团队内分析报告的结构与深度统一。
• 在“构图建议”部分，提示词可用于指导AI绘画工具生成报告的可视化框架示意图，具体描述可结合“仪表盘风格”等段落内容进行细化。
• 根据实际数据敏感程度，可在第一步指令中增加脱敏要求。