摘要与信息提取提示

大型语言模型（LLM）是处理海量文本的强大工具。使用它们可以执行的两项基础且极具价值的任务是摘要和提取。

摘要可以帮助您快速掌握长篇文档的要点。提取则可以帮助您定位并提取特定的结构化数据。掌握这两项技能可以节省时间，并让信息更具可操作性！

摘要是将较长的文本压缩成较短版本的过程，同时确保保留其核心含义和关键信息。您可以把它理解为创建一份简洁的概览或摘要。

要提示 LLM 生成摘要，通常需要提供文本和清晰的指令。例如：

"Summarize the following article: [ARTICLE TEXT]"

您可以引导 LLM 生成完全符合需求的摘要。在提示词中，请明确说明：

• 长度：“用 3 句话概括”、“不超过 100 个词”、“简短摘要”。
• 格式：“使用项目符号”、“写成一段话”、“作为标题”。
• 风格/语气：“面向非技术读者”、“使用正式语气”、“像新闻报道一样”。

具体明确的要求有助于 LLM 输出您确切需要的内容。

我们来概括一段关于提示词工程的短文。您可以这样构造提示词：

输入文本： “提示词工程是人工智能领域中的一个概念，尤其涉及自然语言处理。它专注于开发和优化提示词，以便高效地利用语言模型处理各种应用和研究主题。这是一门相对较新的学科，介绍了如何与 LLM 沟通，以引导其行为达到预期结果，而无需修改模型的权重。”

提示词：

"Summarize the following text in one concise sentence: Prompt engineering is a concept in artificial intelligence, especially natural language processing, that focuses on developing and optimizing prompts to efficiently use language models for a wide range of applications and research topics. It's a relatively new discipline, outlining the methods for communicating with LLMs to steer their behavior for desired outcomes without modifying the model's weights."

提取是从较长文本中识别并提取特定信息的过程。与摘要不同，提取并不是压缩文本，而是分离出特定的数据点、事实或实体。

常见的提取任务包括查找姓名、日期、地点、产品特性或情感倾向。当您需要将非结构化文本转换为结构化数据时，这项技术至关重要。

提取信息时，通常最好指定所需的输出格式。这样可以更方便地处理、分析提取的数据，或将其集成到其他系统中。

• 列表：“列出所有提到的公司名称。”
• JSON：“将姓名、年龄和城市提取为 JSON 对象。”
• 表格：“以表格形式呈现结果，并设置‘项目’和‘价格’两列。”

清晰的格式说明对于生成结构化数据至关重要。

我们来从一段电子邮件中提取联系信息。您可以这样提示 LLM：

输入文本： “尊敬的约翰·史密斯：感谢您的咨询。我们的销售代表莎拉·琼斯可通过 sarah.jones@example.com 或电话 (555) 123-4567 联系。我们的办公室位于 123 主街，任意镇，USA。”

提示词：

"Extract the following information from the text: recipient name, sales representative name, sales representative email, sales representative phone, and office address. Present the output as a JSON object. Text: Dear John Smith, Thank you for your inquiry. Our sales representative, Sarah Jones, can be reached at sarah.jones@example.com or by phone at (555) 123-4567. Our office is located at 123 Main St, Anytown, USA."

对于更复杂的任务，您通常可以结合这两项强大的技术：

• 先摘要后提取：先获取长篇文档的简洁摘要，然后从该摘要中提取特定的实体或事实。
• 先提取后摘要：提取所有相关事实，然后要求 LLM 将这些事实概括成连贯的陈述。

这种模块化方法有助于管理复杂性并提高结果的准确性。

要从 LLM 中获得最有效的摘要和提取结果，请注意以下几点：

• 具体明确：清楚地说明您的要求（例如摘要长度、输出格式以及要提取的特定实体）。
• 使用分隔符：使用清晰的分隔符（例如三个双引号（"""）或 XML 标签）将要处理的文本括起来，以便将其与指令分开。
• 提供上下文：如果有助于 LLM 理解目标，请简要说明摘要或提取的用途。
• 不断迭代：如果初始输出不够理想，请改进提示词。细微的变化也可能带来很大的不同！

在本课中，我们探讨了两种使用 LLM 处理文本的强大提示词工程技术：

• 摘要：我们学习了如何将文本压缩成较短的版本，并控制长度、格式和风格，从而快速掌握要点。
• 提取：我们重点学习了如何提取姓名、日期或事实等特定的结构化信息，并强调了指定 JSON 或列表等输出格式的重要性。

掌握这些技术将显著提升您使用 LLM 高效处理和利用非结构化文本数据的能力。