Prompt 驱动结构化抽取：从文本高效提取表格

进阶版 Prompt：适用于复杂文本

当文本篇幅较长、目标信息分散或存在'同义不同名'表述时，需在基础版 Prompt 中加入'示例引导'和'字段定义'。

模板

任务：从以下多段文本中提取 [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。
第一步：明确字段定义（避免歧义）
- [目标字段 1]：指 [对字段的详细解释]
- [目标字段 2]：指 [对字段的详细解释]
第二步：参考示例（理解抽取逻辑）
示例 1：
待抽取文本片段：'A 品牌推出新款平板 X1，定价 3299 元，主打'超长续航'。'
抽取结果（表格行）：| [目标字段 1] | [目标字段 2] | ... |
要求：
1. 严格按照上述字段定义提取；
2. 若文本中某段落提及多个字段信息，需关联到同一主体；
3. 若文本中无某字段信息，填充'无'。
待抽取文本（多段）：[此处粘贴多段非结构化文本]

实战案例

待抽取文本（多段）： '【段落 1】2024 年上半年，手机市场有两款旗舰机型值得关注：华为 Mate 70 和苹果 iPhone 16。 【段落 2】华为 Mate 70 搭载自研麒麟 9100 芯片，支持卫星通信功能；起售价为 5999 元。 【段落 3】iPhone 16 则采用 A18 Pro 芯片，屏幕支持 120Hz 刷新率。目前苹果官网尚未公布价格，但第三方预测起售价约 6999 元。'

使用 Prompt：

任务：从以下多段文本中提取'型号''发布时间''处理器''核心功能''起售价'信息，用 Markdown 表格呈现结果。
第一步：明确字段定义
- 型号：指手机的官方完整型号；
- 发布时间：指手机的上市或计划上市时间；
- 处理器：指手机搭载的芯片型号；
- 核心功能：指手机的主要特色功能；
- 起售价：指手机基础版本的官方定价或预测价。
第二步：参考示例
示例 1：
待抽取文本片段：'A 品牌推出新款手机 Y9，5 月上市，搭载 B10 芯片，支持无线充电，起售价 4999 元。'
抽取结果（表格行）：| 型号 | 发布时间 | 处理器 | 核心功能 | 起售价 |
|-------|----------|--------|------------|--------|
| A 品牌 Y9 | 5 月 | B10 芯片 | 支持无线充电 | 4999 元 |
要求：
1. 严格按照上述字段定义提取；
2. 若文本中某段落提及多个字段信息，需关联到同一主体；
3. 若文本中无某字段信息，填充'无'。
待抽取文本（多段）：【段落 1】...（同上）

模型输出结果：

优化版 Prompt：适用于专业文本

在金融、医疗等专业领域，文本中包含大量行业术语且逻辑复杂，此时需在进阶版基础上加入'专业术语解释'和'逻辑约束'。

模板

任务：从以下 [行业] 专业文本中提取 [目标字段 1]、[目标字段 2] 等专业信息，用 Markdown 表格呈现结果。
第一步：专业术语与字段定义
- 行业术语解释：[列出文本中涉及的核心术语]
- 字段定义：[结合专业术语的定义]
第二步：参考示例（符合专业逻辑）
示例 1：
待抽取文本片段（[行业]）：'患者确诊为原发性高血压（ICD 编码 I10）..."
抽取结果（表格行）：| [目标字段 1] | [目标字段 2] | ... |
要求：
1. 严格遵循专业术语定义；
2. 若字段信息涉及逻辑关联，需合并呈现；
3. 提取结果需标注信息来源。
待抽取文本（[行业] 专业文本）：[此处粘贴包含专业术语的非结构化文本]

实战案例

待抽取文本（医疗专业）： '【病例片段 1】患者，男，65 岁，因'反复胸痛 3 个月'入院，确诊为稳定性心绞痛（ICD 编码 I20.901）。 【病例片段 2】治疗方案：① 药物治疗：阿司匹林肠溶片，100mg/次，每日 1 次；② 备选方案：若出现药物不耐受，更换为氯吡格雷片。'

使用 Prompt：

任务：从以下医疗病例文本中提取'ICD 编码''治疗方案（含用药）''随访要求''治疗周期'信息，用 Markdown 表格呈现结果。
第一步：专业术语与字段定义
- 行业术语解释：ICD 编码：国际疾病分类第十一次修订本中的疾病编码；
- 字段定义：
  - ICD 编码：指患者确诊疾病对应的 ICD-11 标准编码；
  - 治疗方案（含用药）：指医生制定的治疗方式，需包含药物名称、剂量、频率；
  - 随访要求：指患者的复查频率、检查项目及就诊提示；
  - 治疗周期：指医生建议的初始治疗时长。
第二步：参考示例
示例 1：
待抽取文本片段（医疗）：'患者确诊为 2 型糖尿病（ICD 编码 E11.900），治疗方案：二甲双胍片，0.5g/次，每日 3 次；随访要求：每 3 个月查血糖，治疗周期 12 个月。'
抽取结果（表格行）：| ICD 编码 | 治疗方案（含用药） | 随访要求 | 治疗周期 |
|-----------|-----------------------------|-------------------------|----------|
| E11.900 | 二甲双胍片，0.5g/次，每日 3 次 | 每 3 个月查血糖 | 12 个月 |
要求：
1. 严格遵循医疗术语定义；
2. 治疗方案中'药物名称、剂量、频率'需合并呈现；
3. 提取结果需标注信息来源。
待抽取文本（医疗专业）：【病例片段 1】...（同上）

模型输出结果：

跨场景实战：不同行业的结构化抽取案例

Prompt 驱动的结构化抽取可应用于多个行业，本节选取'内容创作、电商运营、学术研究'三个高频场景。

场景 1：内容创作——从文章素材中提取'案例库'表格

待抽取文本：'在跨境电商领域，有两个典型的数字化转型案例：① 某家居跨境电商（B2C 模式）通过'TikTok 直播 + 私域运营'组合，将用户复购率从 15% 提升至 32%，单月 GMV 突破 500 万元；② 某 3C 产品跨境电商（B2B 模式）搭建'海外仓 + 本地配送'体系，缩短物流时效至 3 天内，客户投诉率下降 40%。'

使用 Prompt：

任务：从以下跨境电商报道文本中提取'案例名称''企业类型''核心做法''效果数据'信息，用 Markdown 表格呈现结果。
要求：
1. 表格列名：案例名称、企业类型、核心做法、效果数据；
2. 案例名称：用'[领域]+[核心模式] 案例'格式命名；
3. 效果数据：需包含具体数值和单位；
4. 核心做法：简要概括企业的关键举措，不超过 50 字。
待抽取文本：在跨境电商领域，有两个典型的数字化转型案例...

模型输出结果：

场景 2：电商运营——从用户评论中提取'问题反馈'表格

待抽取文本：'【评论 1】订单 ID：20240501001，购买的无线耳机型号 WH-1000XM5，收到后发现左耳没声音；【评论 2】订单 ID：20240501002，WH-1000XM4 耳机续航比宣传的短，且连接手机偶尔断连。'

使用 Prompt：

任务：从以下用户评论中提取'订单 ID''产品型号''问题类型''问题描述'信息，用 Markdown 表格呈现结果。
第一步：问题类型定义
- 问题类型包括：音质问题、续航问题、连接问题、佩戴问题、其他；
- 若评论中存在多个问题，需拆分到对应类型，每个问题单独占一行。
要求：
1. 表格列名：订单 ID、产品型号、问题类型、问题描述；
2. 同一订单若有多个问题，每个问题对应一行。
待抽取文本：【评论 1】...（同上）

模型输出结果：

场景 3：学术研究——从论文摘要中提取'研究信息'表格

待抽取文本：'【论文 1 摘要】为探究人工智能对教育公平的影响，本文采用'混合研究方法'（定量 + 定性），以 3 个省份的 12 所农村中学为数据来源（样本量 1200 人），研究发现：AI 教育工具可提升农村学生的学习成绩（平均提升 15%）。'

使用 Prompt：

任务：从以下论文摘要中提取'研究主题''研究方法''数据来源''核心结论'信息，用 Markdown 表格呈现结果。
要求：
1. 表格列名：研究主题、研究方法、数据来源、核心结论；
2. 研究主题：需明确'研究对象 + 研究问题'；
3. 数据来源：需包含样本量/数据时间范围；
4. 核心结论：需包含具体实验结果。
待抽取文本：【论文 1 摘要】...（同上）

模型输出结果：

常见问题与解决方案：提升抽取准确率

在实际使用中，模型可能出现'字段遗漏''信息错误''格式混乱'等问题。本节梳理 6 类高频问题，分析原因并提供对应的 Prompt 优化方案。

问题 1：字段遗漏

表现：模型未提取出文本中的部分目标字段。 原因：Prompt 中未明确字段的'表述形式'或信息与其他内容混合。 解决：补充'字段表述形式示例'和'信息关联要求'。

要求：
1. 字段表述形式参考：- 型号：可能以'X 型号''XX 款'形式出现；- 发布时间：可能以'XX 年 XX 月'形式出现；
2. 若文本中字段信息与其他内容混合，需将'发布时间'与'型号'关联到同一行。

问题 2：信息错误

表现：模型提取的信息与文本内容不一致。 原因：模型对长文本细节记忆偏差或存在'主观补全'倾向。 解决：增加'细节核对要求'和'信息来源标注'。

要求：
1. 提取信息需与文本'逐字核对'，尤其是数值、版本、单位等细节；
2. 每个字段的提取结果需标注具体来源；
3. 若对某字段信息不确定，填充'待核对'，不主观猜测。

问题 3：格式混乱

表现：模型未按要求输出表格，或表格结构错误。 原因：Prompt 中未提供'格式示例'或未明确'格式优先级'。 解决：加入'完整格式示例'和'格式优先级要求'。

格式要求（优先级最高，必须严格遵守）：
1. 输出结果仅包含 Markdown 表格，不添加任何多余文字；
2. 表格列名固定为：型号、起售价、发布时间；
3. 格式示例（需完全参照此结构）：| 型号 | 起售价 | 发布时间 | ... |

问题 4：同一主体信息拆分

表现：模型将同一对象的信息拆分为多行。 原因：Prompt 中未明确'同一主体的信息关联规则'。 解决：补充'主体关联规则'和'标识优先原则'。

关联要求：
1. 以'型号'为核心标识，同一型号的所有信息需合并到同一行；
2. 若文本中某段落未提及型号，但提及'该产品'，需结合上下文判断所属型号；
3. 若无法确定指代对象，填充'无'，不单独分行。

问题 5：专业术语误判

表现：模型将非专业术语归为专业字段。 原因：Prompt 中未提供'专业术语的边界定义'。 解决：加入'专业字段的排除项'和'正反示例'。

专业字段定义（医疗场景）：
- ICD 编码：仅指疾病对应的 ICD-11 标准编码，排除患者年龄、性别、用药剂量；
- 正反示例：正确：ICD 编码：I10；错误：ICD 编码：65 岁。

问题 6：多语言文本处理困难

表现：文本中包含中英混写，模型提取错误。 原因：Prompt 中未明确'多语言信息的处理规则'。 解决：补充'多语言处理规则'和'优先级设定'。

多语言处理要求：
1. 优先提取中文信息，若中文已明确，英文部分无需提取；
2. 若某字段仅用英文表述，直接提取英文；
3. 若中英文信息冲突，需同时提取并标注。

章节总结与拓展

核心知识点回顾

本章围绕'Prompt 驱动的结构化抽取'，从概念、设计、实战、问题解决四个层面，提供了一套完整的方法论：

1. 概念层：明确结构化抽取的'目标字段 - 文本来源 - 输出格式'三要素；
2. 设计层：根据文本复杂度，选择'基础版 - 进阶版 - 优化版'Prompt 框架；
3. 实战层：通过'内容创作、电商运营、学术研究'三个场景，掌握'行业适配技巧'；
4. 问题层：针对'字段遗漏、信息错误、格式混乱'等高频问题，通过'补充表述示例、增加核对要求、明确格式规范'提升准确率。

工具与技术拓展

1. 工具推荐：
   • 快速验证 Prompt：使用 ChatGPT-4、Claude 3 等大模型，输入 Prompt 和文本，实时查看抽取结果；
   • 批量处理工具：结合 Python 的 OpenAI API 或 LangChain 框架，将 Prompt 封装为脚本，实现多文本批量抽取；
   • 表格导出：将模型输出的 Markdown 表格复制到 Typora、Notion 等工具，或通过 Python 脚本转换为 Excel/CSV 格式。
2. 技术趋势：
   • 多模态抽取：未来 Prompt 将支持'文本 + 图片'的混合抽取；
   • 自动 Prompt 生成：通过'Meta-Prompt'技术，让模型根据用户的'抽取需求描述'自动生成优化后的抽取 Prompt；
   • 领域定制模型：针对医疗、金融等专业领域，训练专用的'结构化抽取模型'。

课后练习

1. 基础练习：从以下文本中提取'景点名称 - 所在城市 - 门票价格 - 开放时间'，用 Markdown 表格呈现（提示：使用基础版 Prompt）。 文本：'国内有三个热门旅游景点：① 故宫博物院位于北京，门票 60 元/人（旺季），40 元/人（淡季），开放时间为 8:30-17:00；② 西湖景区位于杭州，免费开放，开放时间全天；③ 兵马俑位于西安，门票 120 元/人，开放时间 8:30-18:00。'
2. 进阶练习：从以下多段产品评论中提取'订单号 - 产品类型 - 问题类型 - 处理结果'，用 Markdown 表格呈现（提示：使用进阶版 Prompt，需定义'问题类型'，处理同一订单多问题的情况）。 文本：'【评论 1】订单号：OD20240601，买的扫地机器人，用了 1 周就无法充电，联系客服后同意换新；【评论 2】订单号：OD20240602，购买的空气净化器噪音很大，且显示的 PM2.5 数值不准，客服说可退货退款，已申请。'
3. 专业练习：从以下金融新闻片段中提取'公司名称 - 财报季度 - 营收 - 净利润 - 同比变化'，用 Markdown 表格呈现（提示：使用优化版 Prompt，需解释'同比变化'术语，确保数值与单位正确）。 文本：'【新闻 1】A 公司发布 2024 年 Q1 财报：营收为 50 亿元，同比增长 12%；净利润 8 亿元，同比下降 5%；【新闻 2】B 公司 2024 年 Q2 财报显示：营收 35 亿元，较去年同期减少 8%；净利润 5.2 亿元，同比增长 3%。'

通过以上练习，读者可巩固本章所学的 Prompt 设计方法，逐步掌握从简单到复杂场景的结构化抽取技巧，为实际工作中的信息整理需求提供高效解决方案。