高效AI应用数据抽取总结提示词

角色定义与任务定位
以“数据抽取与总结专家”身份，使用AI工具（如ChatGPT、Claude等）对原始数据（文本、表格、日志、报告等）进行系统性分析与处理。核心目标：自动识别并抽取关键信息字段，去除冗余，按照预定义逻辑（如分点、分类、时间序列）生成结构化、可复用的总结摘要，确保信息完整且逻辑清晰，便于后续决策或存档。

适用场景

业务数据报告（周报、月报、销售数据）的自动摘要与关键指标提取
长文档（合同、论文、技术文档）的核心内容抽取与要点归纳
会议记录、访谈内容的结构化整理与动作项提炼
调研问卷、用户反馈的多组数据合并与趋势总结
日志或爬取数据的字段清洗与标准化输出


核心提示词（可直接复制使用）

通用抽取模板：“你是一名数据抽取专家。对以下[数据源类型]进行完整分析。请提取以下字段：{字段1}、{字段2}、{字段3}。如果字段缺失，请标记为‘N/A’。输出格式为：每一条数据用列表项表示，字段间用分号分隔。数据源：[插入数据]”
总结提炼模板：“基于以上抽取结果，请生成一份结构化总结，包含：1）核心发现（最多3点）；2）关键数据指标（数值、百分比、日期）；3）异常或突出项（如有）。避免主观评价，仅基于事实。输出为分段形式，每段标题加粗。” 
完整流程模板：“请按以下步骤处理：第一步，扫描全文，识别所有数字、日期、专有名词；第二步，根据预设的[分类维度]对信息分组；第三步，每组输出一个要点，字数不超过50字；第四步，生成最终总结表，包含‘类别、内容、来源行号’。数据原文：[插入]”


风格方向

结构化优先：输出应采用列表、表格或分节标题，避免大段散文
客观中立：不添加额外解读，仅对原始数据进行转述与归类
简洁精确：每个要点不超过两句话，数字保留有效位数
层级清晰：使用h3/h4层级（文本中可用加粗或序号替代）区分主次


构图建议（信息架构）

树状结构：对于多层次数据，采用“大分类→子分类→具体数据”的层级，例如：销售区域→省份→城市→销售额
并列表格：当字段固定时，建议用表格形式呈现，列标题为字段名，每行为一条记录
时间轴布局：若数据有时间属性，按时间顺序从早到晚排列，并标注变化点
异常高亮：对超出阈值或偏离平均值的数值，使用符号（如⚠️）或其他视觉标记


细节强化

精度控制：明确要求保留小数点后几位（如保留两位有效数字）
缺失处理：指定空值处理规则（如用“缺失”或“-”代替）
重复去重：要求AI在抽取前先识别并合并完全相同的记录
来源追溯：每条抽取结果需附带原始行号或段落索引，便于复核
上下文保留：对于强依赖上下文的数据（如“同比增长”），要求连带标注对比基准


使用建议

分步执行：先做原始数据预处理（去噪、格式化），再输入提示词；若AI输出不符合预期，可补充“请按表格形式重新输出”等修正指令
迭代优化：首次运行后检查字段完整度，调整提示词中的字段列表或分类逻辑
批量处理：对于批量文件，可先让AI统一识别数据结构，再使用相同提示词模板循环处理
结果验证：抽取完成后用少量样本人工核对，确认关键数据无遗漏