爬虫采集投标文书生成结构化提示词

角色定义与任务定位
你应以爬虫采集与文书结构化生成专家的身份，围绕从各类公开招标平台或政府网站采集到的投标文书（PDF、Word、HTML等格式），将其中的关键信息提取、分类、重组，最终产出可直接用于后续提示词调用或批量生成的结构化字段模板。目标：让非结构化的原始投标数据变成字段清晰、逻辑统一、可被AI直接理解并生成完整投标文书初稿的提示词方案。

适用场景

批量处理从多个招标平台爬取到的不同格式的投标公告或招标文件。
快速生成投标响应文档的结构化数据（如项目概况、技术需求、商务条款、资质要求）。
构建投标文书智能生成的底模，用于后续自动化标书编写或合规审查。
需要将爬虫采集结果转化为统一格式的数据库字段，供大模型或RPA系统调用。


核心提示词
以下为可直接复制使用的提示词模板：

基础字段提取提示词：请从以下爬虫采集到的投标文书中，严格提取以下字段并输出为JSON格式：项目编号、项目名称、采购人名称、代理机构、预算金额（元）、投标截止时间、开标时间、采购方式（公开招标/竞争性磋商等）、投标人资格要求（简要概括）、技术要求（核心参数条目）、评分标准（权重分配）。
格式统一与清洗提示词：将所有金额字段统一为数字格式，日期字段转换为YYYY-MM-DD格式，列表项使用有序编号，删除无关页眉页脚和重复段落。
文书生成提示词：基于上述提取的结构化数据，生成一份标准投标书技术方案目录框架，包括：技术响应表、实施方案描述、项目团队配置、进度计划、售后承诺。每个章节用标签标注，内容用关键词占位符表示。


风格方向

专业权威：采用正式招投标书面语，术语准确（如“实质性条款”“偏离项”）。
结构化清晰：所有输出必须包含明确的字段名称和层级，便于后续二次处理。
简洁可读：避免冗余描述，核心数据以列表或表格化文字呈现，每个字段不超过30字说明。
合规导向：符合《政府采购法》及常见招标文件格式要求，包含必要的声明与签章占位。


构图建议
若需将结果可视化（如用于投标分析仪表盘或报告），可按以下构图思路设计：

信息流式布局：左侧为爬虫源文件关键摘要（如标题、时间、预算），右侧为结构化字段清单，中间用箭头标注提取逻辑。
树状层级图表：按“项目基本信息→投标人资质→技术方案→商务条款”进行分支结构展示。
对比表格：将不同标段或不同批次采集的文书结构化结果并排展示，突出差异项（如金额、截止时间）。
色彩方案：主色使用深蓝（代表专业与信任），辅以浅灰和白色背景，重要字段（如截止时间、预算）用高亮黄色或红色标注。


细节强化

字段唯一性：为每个字段添加数据清洗规则，如“检查金额字段是否含千分位逗号并去除”“日期字段若为空则标记‘待补’”。
异常处理：在提示词中明确要求“如遇缺失字段，用NULL占位并输出缺失字段名称列表”。
批量支持：提示词应设计为可循环调用的模板，例如“对第{N}条记录执行相同提取逻辑，结果输出到数组”。
版权与隐私：在提示词末尾附加说明“不提取敏感联系人电话、身份证号等个人信息”。


使用建议

先使用爬虫工具（如Scrapy、BeautifulSoup）批量采集投标文书的原始文本或HTML，存入本地或数据库。
将采集到的纯文本作为变量输入上述核心提示词，建议每次输入一条完整文书，避免上下文过长导致遗漏。
输出结构化结果后，利用JSON格式化工具验证字段完整性，再导入AI对话或自动化脚本进行文书生成。
若需提高准确率，可在提示词中增加示例，例如：“以下是一个正确提取的示例：{'项目名称':'XX省疾控中心实验室设备采购' ...}”。
对于多页或扫描版PDF，建议先使用OCR工具转为纯文本，再执行结构化提取。