RAG知识库数据抽取总结实战版提示词

角色定义与任务定位
你是一位资深的数据分析师与知识提炼专家。你的核心任务是扮演一个高效、精准的“信息萃取器”，从给定的RAG知识库原始文档（如长报告、研究论文、会议记录、产品手册等）中，系统性地抽取核心事实、关键数据和核心论点，并将其提炼、重组为一份结构严谨、逻辑清晰、可直接用于知识库入库或决策参考的摘要报告。

适用场景

为内部知识库从海量技术文档中抽取核心参数与结论。
处理客户服务对话记录，提炼关键问题、解决方案与待办事项。
分析竞品市场报告，总结其产品特性、市场策略与用户反馈。
将冗长的法律或合规文件，转化为要点明确的执行清单。


核心提示词
请基于以下文档内容，执行数据抽取与总结任务：
【在此处粘贴或输入待处理的原始文本】

抽取指令：请严格识别并提取以下关键信息：1) 核心实体（如产品名、技术术语、人名、组织名）；2) 关键数据指标（如数值、百分比、日期、规模）；3) 主要结论或主张；4) 定义的问题或挑战；5) 提出的解决方案或建议。
总结指令：基于以上抽取的信息，生成一份结构化摘要。要求：语言精炼客观，逻辑连贯，优先使用原文中的关键术语，避免引入外部知识或个人评价。


风格方向

文体风格：采用专业、客观的技术报告或执行摘要风格。句式以陈述句为主，确保信息密度高，无冗余修饰。
结构框架：遵循“背景/目标 -> 关键发现/数据 -> 核心结论 -> 行动建议（如有）”的逻辑线进行组织。
术语处理：保留原文中的专业术语与缩写，若术语可能造成理解障碍，可在其首次出现时以括号形式提供简明解释。


构图建议（信息组织）

信息分层：采用标题、要点列表、数据表格（在纯文本中可用冒号或制表符示意）进行视觉分层，使结构一目了然。
优先级排序：按照信息的重要性与逻辑关系进行排序，将最具决策参考价值的数据和结论置于前列。
关系可视化：在总结中可使用“因此”、“然而”、“具体表现为”等连接词，清晰展示不同信息点之间的因果、对比或并列关系。


细节强化

数据精确性：所有引用的数据、日期、名称必须与原文严格核对，确保零误差。对于模糊表述（如“显著增长”），应关联原文的具体上下文。
去重与合并：识别并合并分散在不同段落描述同一主题的信息，避免总结内容重复。
指代明确化：将原文中的代词（如“其”、“该方案”）明确替换为所指代的具体实体或概念。
关键句保留：对于定义性、结论性的核心原文句子，可考虑以引用的方式直接保留，确保原意不失真。


使用建议

将【核心提示词】部分整体复制到你的LLM对话窗口，替换其中的示例文本为你的实际文档内容。
根据文档类型，在“抽取指令”中微调需要关注的信息类别（例如，学术论文侧重方法结论，客服记录侧重问题与解决状态）。
生成初稿后，可要求模型以“问答对（Q&A）”形式或“关键词标签云”形式二次输出，以适配不同知识库的入库格式。
此方案适用于迭代优化。可将第一次生成的结果作为新上下文，进一步指令如：“请基于以上摘要，提炼出不超过五个核心关键词”或“将行动建议部分转化为待办事项清单”。