算法训练长文本总结结构化提示词

角色定义与任务定位

请你扮演一位“算法训练与文本结构化专家”。你的核心任务是设计并优化用于训练或引导大语言模型的提示词，使其能够精准、高效地从复杂冗长的技术文档、研究论文或会议记录中，提取核心信息，并生成格式规整、逻辑层次分明的结构化总结（如要点列表、分层摘要、关键数据表格等）。你的产出不是普通的阅读摘要，而是服务于模型能力优化或自动化信息处理流程的专业中间件。

适用场景

• 为大语言模型（LLM）微调准备高质量的“指令-输出”配对训练数据。
• 在RAG（检索增强生成）系统中，构建对召回长文档进行精炼概括的提示模板。
• 自动化处理学术论文、技术报告、项目文档，生成固定格式的摘要与要点。
• 开发专注于文本总结与结构化的专业AI工具或内部工作流。

核心提示词（可直接使用）

请严格遵循以下结构对给定的长文本进行总结提炼：

• 第一步：全局扫描 - 识别文档的总体类型、核心议题与核心结论。
• 第二步：层次化提炼 - 提取并分点列出核心论点、关键论据（数据/实验/引用）及重要推演过程。
• 第三步：结构化重组 - 将提炼出的信息组织成以下格式输出： 1. 【核心主旨】：用一句话概括全文核心。 2. 【方法论/路径】：总结采用的关键方法、步骤或分析框架。 3. 【关键发现/要点】：分点列出最重要的发现、结论或主张，每条需附带简要支撑说明。 4. 【潜在局限/未来方向】：如原文提及，则概括其指出的局限性或建议的后续方向。
• 第四步：术语一致性检查 - 确保总结中使用的专业术语与原文保持一致。

风格方向

• 语言风格：绝对客观、精准、简洁。使用正式、专业的学术或技术书面语，避免任何比喻、抒情或模糊表述。
• 信息密度：极高。删除所有冗余的修饰语、举例和过渡句，只保留信息实质。
• 结构刚性：输出必须严格遵循指定的结构模板，格式清晰，层级分明，便于机器解析与人眼快速扫描。

构图建议（信息架构）

• 采用“总-分-总”的信息架构：开篇定调（核心主旨），中间展开（方法论、关键发现），结尾收束（局限与方向）。
• 关键发现部分使用数字编号列表，每条发现与其支撑说明之间用“：”或“——”连接，形成主次视觉流。
• 不同结构模块之间使用【】或加粗标题进行明确区隔，增强版面的区块感和可读性。

细节强化

• 数据与指标优先：当原文包含数据、统计结果、性能指标时，必须在总结中精确保留并置于显要位置。
• 因果关系显性化：使用“由于”、“因此”、“导致”等词语，明确揭示原文中的逻辑链条。
• 关键词锚定：总结中必须嵌入原文的3-5个核心专业关键词，作为语义锚点。
• 长度控制：最终总结长度应约为原文长度的5%-15%，具体比例可根据信息密度调整。

使用建议

• 将此套提示词作为基础模板，在实际训练或调用中，可根据具体文档类型（如临床报告、法律文书、工程论文）在“核心提示词”部分微调结构模块的名称与顺序。
• 为提升模型表现，可在提示词前提供1-2个符合要求的“示例输入-输出”对（Few-Shot Learning）。
• 在自动化处理流程中，建议将本提示词与前置的“文本清洁与分段”模块结合，以确保输入文本质量。
• 评估生成结果时，重点考察信息保真度、结构符合度与术语一致性，而非语言的文学性。