基于大模型的信息采集模型实现与提示词优化

{{content}}

经过测试，模型现在能够根据上下文推断出如'留学国家'、'是否移民'等隐含信息。

第三阶段：数据清洗与标准化

上一阶段的测试结果中，数据格式可能不统一，例如有的用中文数字（二十三岁），有的用阿拉伯数字（23 岁）。为了便于系统处理，我们需要对数据进行清洗和标准化。

我们在提示词中增加了数据规范化的指令：

... (前文保持不变)
3. 对最后的数据进行清洗、润色，使其更规范，如剔除不合理的数据，将被缩写或简写的数据补充完整，将口语化的数据规范化，将中文数字格式化成阿拉伯数字。

这一改进确保了输出数据的格式一致性，例如将'两个半小时'转换为'2.5 小时'。

第四阶段：强制 JSON 输出

在实际开发过程中，调用 API 接口时，模型可能会返回一些无意义的开场白或结束语，这会增加后端解析的难度。为了确保接口调用的稳定性，我们需要强制模型仅返回 JSON 格式。

最终版提示词如下：

你是一个信息采集模型。
<待分析数据列表>：{{keyword}}
目标：从对话内容中分析并提炼出<待分析数据列表>中的关键信息。
1. 在<待分析数据列表>中对话中没有提到的信息，你可以在保证合理的情况下对用户暂未提及的数据进行推理。
2. 对最后的数据进行清洗、润色，使其更规范。
3. 仅返回<待分析数据列表>字段的 json 格式：
{
  "data": {
    "<待分析数据列表中的字段>": "采集到的数据"
  }
}

对话内容:

{{content}}

此时，模型将严格按照要求的 JSON 结构返回结果，方便代码直接解析。

扣子平台工作流实现

在完成提示词的调试后，我们可以将其部署到扣子（Coze）平台上，创建一个自动化工作流。

定义入参

在工作流编辑器中，首先定义输入参数。我们需要添加两个变量：

• keyword：字符串类型，用于存储需要提取的关键词。
• content：字符串类型，用于存储原始对话内容。

配置提示词节点

在 LLM 节点中，将上述定义的变量引用到提示词模板中。使用 {{变量名}} 的语法来动态替换内容。确保提示词模板中包含前面优化好的所有指令，特别是关于 JSON 格式的约束。

定义输出

配置工作流的输出节点，将 LLM 节点的返回结果映射为最终输出。由于我们已经要求模型返回 JSON 格式，输出可以直接透传该结果。

创建 Bot

最后，创建一个新的 Bot，并将刚刚配置好的工作流添加为插件或技能。这样，用户可以通过对话界面与该 Bot 交互，Bot 会自动调用工作流处理输入并返回结构化的信息。

生产环境注意事项

在实际业务场景中应用此类模型时，还需考虑以下几点：

1. 数据安全与隐私：对话内容可能包含用户的个人隐私信息（PII）。在传输和处理过程中应进行脱敏处理，并确保符合相关法律法规。
2. Token 限制：长对话可能导致 Token 超出模型限制。建议对输入内容进行截断或摘要预处理。
3. 幻觉控制：尽管提示词中加入了推理指令，但模型仍可能产生幻觉。可以通过设置置信度阈值或引入人工审核环节来降低风险。
4. 成本优化：频繁调用大模型 API 会产生费用。可以通过缓存常见查询结果或使用轻量级模型来处理简单任务。

通过上述步骤，我们可以构建一个稳定、高效的信息采集模型，并将其集成到实际的业务系统中，显著提升信息处理的自动化水平。