在信息爆炸的时代，大量有价值的数据隐藏在非结构化文本中——如产品说明书里的参数规格、研究报告中的实验结果、新闻稿中的财务数据等。传统的信息提取方式依赖人工整理，不仅效率低下（一份 50 页的报告可能需要数小时手动制表），还容易因人为疏忽导致数据误差；而传统的代码开发方案（如正则表达式、规则引擎）则存在'场景适应性差'的问题，面对文本格式变化时，需要反复修改代码逻辑，无法快速响应新需求。
Prompt 驱动的结构化抽取，正是为解决这些痛点而生。它借助大语言模型对自然语言的理解能力，通过'文本指令 + 示例引导'的方式，让模型自动识别文本中的关键信息，并按照预设格式输出结构化结果。这种方式无需复杂的代码开发，普通用户通过调整 Prompt 即可适配不同场景，兼顾了效率与灵活性。
核心概念解析
在深入 Prompt 设计前，我们需要先明确两个关键概念，理解为什么 Prompt 能驱动结构化抽取。
结构化抽取的核心要素
结构化抽取的本质是'从非结构化文本中定位并提取符合特定规则的信息'，其结果通常具有'固定字段 + 明确关联'的特征。一个完整的结构化抽取任务包含 3 个核心要素：
- 目标字段：需要提取的关键信息类别，如'客户名称''订单金额''产品参数'；
- 文本来源：包含目标信息的非结构化文本，如合同条款、用户评论、学术论文；
- 输出格式：结构化结果的呈现形式，本章聚焦'表格'（如 Markdown 表格、Excel 表格），也可扩展为 JSON、CSV 等。
例如，从'手机评测文本'中提取表格，目标字段为'型号、屏幕尺寸、电池容量、跑分'，文本来源为评测文章段落，输出格式为 Markdown 表格，三者共同构成一个完整的抽取任务。
Prompt 如何赋能结构化抽取
大语言模型本身具备'理解文本语义 + 遵循指令格式'的能力，而 Prompt 的作用是'明确任务边界、降低模型理解成本'，具体体现在 3 个层面：
- 指令层：告诉模型'要做什么'——明确抽取目标和输出要求；
- 示例层：告诉模型'该怎么做'——通过 1-2 个示例展示输入文本与抽取结果的对应关系；
- 约束层：告诉模型'不能怎么做'——规避常见错误，如字段遗漏或格式不符。
简单来说，Prompt 相当于给模型提供了一套'抽取说明书'，让模型无需人工调参或训练，即可快速对齐用户的抽取需求。
Prompt 设计的通用框架
Prompt 的质量直接决定结构化抽取的准确率。本节将提供一套'基础版→进阶版→优化版'的 Prompt 设计框架，覆盖从简单到复杂的抽取场景。
基础版：适用于简单文本
当文本结构清晰、目标信息集中（如单一段落的产品介绍）时，基础版 Prompt 即可满足需求。其核心是'指令 + 格式定义'，无需额外示例。
基础版 Prompt 模板
任务：从以下文本中提取 [目标字段 1]、[目标字段 2]、[目标字段 3] 等信息，用 Markdown 表格呈现结果。
要求：
1. 表格列名固定为：[目标字段 1]、[目标字段 2]、[目标字段 3]（若文本中无某字段信息，填充'无'）；
2. 提取信息需与文本内容完全一致，不添加主观修改；
3. 若文本中存在多个同类信息，每个信息单独占一行。
待抽取文本：[此处粘贴需要抽取的非结构化文本]
实战案例：从单段产品介绍中提取参数
待抽取文本：'2024 年新款笔记本电脑共有两个型号：Pro 款搭载 13 代酷睿 i7 处理器，屏幕尺寸 14 英寸，售价 6999 元；Air 款搭载锐龙 7 处理器，屏幕尺寸 13.3 英寸，重量 1.2kg，售价 5499 元。'
使用 Prompt：
