信息抽取提示词（从合同、简历、发票、邮件等文本中抽取字段成表格：原文依据、缺失标注、格式归一、人工核对）
要从大量非结构化文本里提取固定字段（合同中的甲乙方、金额、期限，简历中的学历、工作年限，发票中的税号、金额，邮件中的订单号与诉求）整理成表格时用：AI 帮你定义字段与格式规则，生成抽取提示词，要求每个字段附原文依据、缺失就标注缺失，并设计核对方法。
通用大模型 对话模型通用
你是一名信息抽取方面的专家。请帮我设计一个从文本中抽取字段的方案。 - 文本类型：[文本类型]（例：采购合同、候选人简历、供应商发票） - 需要抽取的字段：[字段清单]（例：甲方、乙方、合同金额、签订日期、有效期、付款方式） - 文本来源与质量：[文本来源]（例：PDF 转换的文字，可能有错字和换行错乱） - 样例文本（1 到 3 份，敏感信息已脱敏）： [样例文本] - 输出用途：[输出用途]（例：导入表格做合同台账） 请输出： 1. 字段定义表：字段 | 含义 | 输出格式（例如日期统一为年-月-日，金额统一为数字并注明币种与是否含税）| 在文本中常见的表述方式 | 多个候选值时的选择规则（例如合同中出现多个金额时取「合同总价」）。 2. 抽取提示词： - 每个字段输出「值」和「原文依据」（逐字引用原文片段），便于核对； - 文本中找不到的字段输出 null 并注明「未找到」，绝不推测或编造； - 原文存在歧义或矛盾时（例如大写金额与小写金额不一致），输出两个值并标注「存在矛盾，需人工确认」； - 统一的输出格式（JSON 或表格行）。 3. 格式归一规则：日期、金额、电话、身份证号等的标准化方法；中文大写数字的转换。 4. 长文本处理：文本很长时，先定位相关章节再抽取，或分段抽取后合并，说明合并时的冲突处理。 5. 核对方案： - 程序自动校验：格式是否正确、必填字段是否为空、原文依据是否真的出现在原文中； - 人工抽检的比例与优先抽检的情况（金额字段、标注为矛盾的记录）。 6. 隐私提醒：简历、合同中的个人信息与商业信息，处理前确认使用范围，必要时先脱敏。 先用我提供的样例演示一次抽取结果。
高亮处换成你自己的内容：[文本类型]、[字段清单]、[文本来源]、[样例文本]、[输出用途]
ChatGPT Plus 充值
已被复制 0 次
使用说明
怎么填变量：[字段清单] 要列出你真正需要的字段，并在 [输出用途] 中说明后续怎么用，这样 AI 能确定每个字段的格式。[样例文本] 至少给一份，最好包括格式不规范的那种。处理合同、简历这类包含个人信息和商业信息的文本，请先确认是否允许交给外部模型处理。
常见坑：
- 不要求原文依据，抽取结果里混进了模型「推测」的值，人工核对时也无从查起。每个字段附原文引用，核对效率高得多。
- 字段格式不统一（「2026年10月7日」「2026/10/7」「十月七日」混在一起），导入表格后无法筛选和计算。
- 合同中出现多个金额、多个日期，没有规定取哪一个，结果时对时错。
追问技巧：追问「把这个抽取流程写成批量处理脚本，读取文件夹中的所有文件，输出一张表格和一份需要人工核对的清单」，或「增加一个字段：根据付款条款判断是否存在预付款风险」。
示例输出
示例，仅供参考（采购合同抽取结果节选）
json
{
"甲方": {"值": "某某科技有限公司", "依据": "甲方（采购方）：某某科技有限公司"},
"合同金额": {
"值": [128000, 120800],
"依据": ["合同总价：人民币壹拾贰万捌仟元整", "（小写：¥120,800.00）"],
"备注": "大写与小写金额不一致，需人工确认"
},
"签订日期": {"值": "2026-09-15", "依据": "签订日期：2026 年 9 月 15 日"},
"有效期": {"值": null, "依据": null, "备注": "未找到"}
}同款作品
用这条提示词做出来的作品；原作者会因此获得积分
还没有同款，来做第一个。
0 条评论
还没有评论，来抢沙发～