通义千问文章拆分提示词：让系列选题更像人工整理

你是否遇到过这样的场景：让通义千现将一篇行业分析拆解成系列选题，结果输出的却是一堆机械式分段、毫无信息增量的条目？问题并不在于模型本身，而在于指令结构。只要调整思维链路与表达颗粒度，完全可以引导它产出接近人工编辑水准的成果——有判断力、有观点锐度、有明确的对象感。

下面直接拆解几个关键方法，每一条都配有具体操作步骤和实战示例。

提前设定模型的人设与任务边界

不要只丢“请拆分”三个字。在指令开头直接定义它的角色与场景。例如：“你现在是资深内容策划主编，刚读完一篇3000字的行业分析长文，正在为下周的选题会准备5个延展方向。每个方向都必须具备独立成题的能力、信息增量、以及一点观点锐度，绝不能是原文小标题的简单复述。”

这一步决定了模型能否进入“人脑推演”模式——它会主动摒弃“第一部分讲了什么”“第二部分讲了什么”这类机械切分的平庸选项。

强制附加判断依据与筛选逻辑

要求模型在输出每个选题前，用括号简短说明为何选择该方向。括号内的自证逻辑正是人工选题时边写边想的真实痕迹，也是让机器输出“像人”的最直观信号。例如：

• ①（避开原文已充分展开的结论，聚焦未被追问的动因）→ 选题：“政策落地半年后，基层执行者悄悄改写了KPI考核表”
• ②（提取文中一个被轻描淡写但具普遍性的矛盾点）→ 选题：“客户说‘再想想’，销售却不敢追——沉默信号背后的决策权迁移”
• ③（把文中两个分散段落的隐含关联显性化）→ 选题：“当融资节奏变慢，为什么裁员反而更谨慎？现金流账本与组织惯性的错位”

括号内的逻辑越具体，模型输出的选题就越有锐度。核心在于：逻辑自证本身就是对人工编辑思考过程的模拟。

限定格式但不约束语言风格

方法一：采用“主标题 + 副标题”结构。
主标题制造张力或反常识，副标题交代具体切口与信息锚点。例如：“不是用户不买，是购物车正在失语（从372份退货备注里打捞出的6类沉默放弃信号）”。

方法二：植入真实约束条件。
在指令中加入一条硬性要求：“所有选题必须包含至少一个可验证的具体对象，例如‘县域母婴店’‘SaaS续费率低于65%的公司’‘2024年Q1被拒贷的小微经营者’，禁止使用‘某些企业’‘部分用户’等模糊指代。”没有具体对象的选题会直接丧失策划可信度，人工整理绝不会留下这种空洞条目。

注入人工特有的“不完美感”

在指令末尾追加一句：“允许其中一个选题带有轻微争议性，例如采用一个尚无共识的新术语，或挑战原文某个默认前提——但必须标注‘此方向需进一步验证’。”这段设计会让输出中出现一处微小而真实的编辑犹豫感，反而打破AI追求四平八稳的惯性。人工策划从来不是每条都稳妥，总有一两条是试探性的火种。

几个核心要点：人设先行、判断自证、具体对象限制、允许争议。按照这个框架撰写指令，通义千问输出的选题列表会显著更接近人工成果——兼具信息增量、观点锐度与可验证的细节。值得直接上手测试。

来源：互联网