Prompt 驱动的结构化抽取：从文本中提取表格
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。传统的人工整理效率低，代码开发方案适应性差。借助大语言模型（LLM）的 Prompt 驱动，我们可以实现非结构化文本到表格的高效转化。
一、为什么需要结构化抽取？
想象一下，面对一份 50 页的产品报告，手动提取参数可能需要数小时，还容易出错；而传统的正则表达式或规则引擎，一旦文本格式微调，代码就得重写。这就是痛点所在。
Prompt 驱动的结构化抽取，本质上是让模型充当'理解者'和'格式化器'。通过'指令 + 示例 + 约束'，模型能自动识别关键信息并按预设格式输出。普通用户只需调整 Prompt 就能适配不同场景，兼顾了效率与灵活性。
二、核心概念：结构化抽取与 Prompt 的关联
在动手写 Prompt 前，得先搞清楚三个要素：
- 目标字段：你要什么？比如'客户名称'、'订单金额'。
- 文本来源：数据在哪？合同、评论还是论文？
- 输出格式：要什么样子？本章聚焦 Markdown 表格，也可扩展为 JSON。
Prompt 的作用就是给模型发一张'说明书'：
- 指令层：明确告诉模型'做什么'和'怎么呈现'。
- 示例层：展示输入到输出的对应关系，降低理解成本。
- 约束层：规定'不能怎么做'，比如无数据填'无'，数值保留单位。
三、Prompt 设计的通用框架：从基础到进阶
Prompt 的质量直接决定准确率。根据文本复杂度，我整理了三层框架，你可以按需选用。
1. 基础版：简单文本
适用于段落简短、信息集中的场景（如单段产品介绍）。核心是'指令 + 格式定义'。
任务：从以下文本中提取 [目标字段 1]、[目标字段 2] 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]（若无信息，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. 若存在多个同类信息，每个单独占一行。
待抽取文本：[此处粘贴文本]
实战案例：从一段笔记本介绍中提取参数。
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。'
模型输出：
| 型号 | 处理器 | 屏幕尺寸 | 重量 | 售价 |
|---|---|---|---|---|
| Pro 款 | 13 代酷睿 i7 处理器 | 14 英寸 | 无 | 6999 元 |
| Air 款 | 锐龙 7 处理器 | 13.3 英寸 | 1.2kg | 5499 元 |
*注意：如果文本中存在'价格''售价'混用，基础版可能漏掉，这时建议升级到进阶版。
2. 进阶版：复杂文本
当文本篇幅长、信息分散或有同义不同名表述时，需要加入'字段定义'和'示例引导'。
任务：从以下多段文本中提取 [目标字段] 等信息。
第一步：明确字段定义（避免歧义）
- [目标字段 1]：指 [详细解释，如'产品的官方型号']。
第二步：参考示例
示例 1：
待抽取文本片段：'A 品牌推出新款平板 X1，定价 3299 元。'
抽取结果：| X1 | 3299 元 |
要求：严格按照字段定义提取，若无信息填'无'，同一主体信息不拆分。
待抽取文本：[此处粘贴多段文本]
实战技巧：在医疗或金融场景，务必在 Prompt 里把'核心功能'和'芯片型号'区分开，否则模型容易混淆。示例最好选与待抽取文本结构相似的片段。
