掌握了信息抽取提示词的基础用法之后，下一步是让效果稳定可复现。理解原理是关键：AI 擅长理解不同说法表达的同一含义，比如“下周三前”“30 号之前”都是截止时间，这让它比关键词搜索更适合从自然语言中提取信息。

抽取任务最怕的是“看起来合理的错误”。AI 可能把讨论中的建议当成决定，把甲的任务记到乙头上。要求附上原文依据，是让错误可见的最好办法：你只需看一眼原句，就能判断提取是否正确。

技巧 1：对日期类字段

对日期类字段，要求统一格式并保留原文表述。建议先在一个小任务上试用，确认效果后再推广。

技巧 2：提取结果用表格展示

提取结果用表格展示，便于直接复制到任务管理工具。建议先在一个小任务上试用，确认效果后再推广。

技巧 3：针对专业文档

针对专业文档，先给 AI 一份术语解释，提取会更准确。建议先在一个小任务上试用，确认效果后再推广。

技巧 4：让 AI 额外列出“可能相关但不确定”的内容

让 AI 额外列出“可能相关但不确定”的内容，减少遗漏。这一条在团队协作中尤其有用。

技巧 5：把信息抽取和结构化输出结合

把信息抽取和结构化输出结合，适合需要导入系统的场景。这一条在团队协作中尤其有用。

一个进阶场景

举个虚构的例子：一位项目经理每周要从十几个群聊里整理待办事项。她把聊天记录导出后，让 AI 只提取“明确的任务、负责人、时间”并附原句。结果中有三条标为“负责人未明确”，她在周会上逐一确认，避免了任务没人认领的情况。

对隐私信息怎么处理？ 提取前先评估是否需要把含个人信息的材料交给 AI 工具，必要时先脱敏。

高级模板示例

下面的模板综合了以上技巧，可以按酒店前台等不同场景替换内容：

请从以下文本中抽取实体和关系，输出 JSON 数组：
[{"类型": "人物/机构/金额/日期/地点", "值": "", "上下文": "所在原句", "置信度": "高/中/低"}]
规则：
1. 同一实体多次出现只保留一次，上下文取第一次出现的句子；
2. 金额统一换算为数字并注明币种；
3. 对表述模糊的信息（如“月底左右”）置信度标为低；
4. 不推测文本中没有的信息。

进阶使用时仍要避免

  • ✗ 完全不抽查就使用。 ✓ 批量结果至少抽查几份，重要字段逐条核对。
  • ✗ 一次提取太多字段。 ✓ 先提取最重要的几项，复杂需求分多次完成。

可以组合的技能

  • 结构化输出：结构化输出是让 AI 按照固定的字段和格式返回结果，例如 JSON、表格或固定标题的清单。
  • 批量分类打标：批量分类打标是让 AI 按你定义的类别，给大量文本贴标签，例如把用户反馈分成功能建议、故障报告、价格抱怨，把邮件分成紧急、待办、仅供参考。

衡量是否真的进步

一个简单的标准：同类任务需要的修改轮次是否减少，结果是否更稳定。如果答案是肯定的，说明你的信息抽取已经进阶；如果没有，回到基础步骤检查哪里写得不够具体。

相关阅读