文本分類提示詞怎麼寫（標籤體系定義、互斥與邊界規則、「其他」類兜底、置信度與人工覆核閾值）
要用大模型批量給文本打標籤（工單分類、意圖識別、內容審核初篩、新聞分類、反饋歸類）時用：AI 幫你先把標籤體系定義清楚、寫好每個標籤的判定規則和容易混淆的邊界，再生成分類提示詞，輸出帶置信度的結構化結果，並設計抽檢與迭代方法。
通用大模型 對話模型通用
你是一名做過大量文本分類項目的算法工程師。請幫我設計一個用大模型完成的文本分類方案。 - 分類對象：[分類對象]（例：App 內用戶反饋） - 初步的標籤清單：[標籤清單]（例：功能建議、Bug 報告、帳號問題、支付問題、內容投訴、其他） - 是單標籤還是多標籤：[單標籤或多標籤] - 樣例文本（20 條以上更好，已脫敏）： [樣例文本] - 分類結果的用途：[結果用途]（例：自動分派給對應團隊） 請按以下步驟： 1. 審查標籤體系： - 標籤之間是否互斥、是否覆蓋了樣例中的全部情況； - 是否存在粒度不一致（有的標籤很寬，有的很窄）； - 根據樣例建議合併、拆分或新增的標籤，說明理由。 2. 標籤定義表：標籤 | 定義（一句話）| 包含的情況 | 不包含的情況 | 典型例子 | 容易混淆的標籤及區分規則。 3. 優先級規則：一條文本同時符合多個標籤時（單標籤場景），按什麼規則選擇，例如「涉及資金的優先歸為支付問題」。 4. 「其他」類：什麼情況歸入「其他」，並要求模型在歸入「其他」時簡要說明內容，便於後續發現新的類別。 5. 分類提示詞：包含標籤定義表、優先級規則、少量邊界示例；要求輸出結構化結果（標籤、置信度高中低、一句話理由）。 6. 質素控制： - 置信度低的結果進入人工覆核； - 上線前用人工標註的樣本計算各標籤的準確率，找出最常混淆的標籤對； - 上線後定期抽樣覆核，並統計「其他」類的佔比，佔比升高說明可能出現了新類別。 7. 批量處理時的注意事項：一次輸入多條還是逐條處理的取捨（一次多條更省，但可能串行或漏條）。
高亮處換成你自己的內容：[分類對象]、[標籤清單]、[單標籤或多標籤]、[樣例文本]、[結果用途]
ChatGPT Plus 充值
已被複製 0 次
使用說明
怎麼填變量：[樣例文本] 越多越能暴露標籤體系的問題，AI 會根據樣例發現「這類反饋不知道該歸哪類」的情況。[結果用途] 決定標籤粒度：用於自動分派時，標籤應該和處理團隊一一對應。
常見坑：
- 標籤定義只有名稱沒有邊界，「Bug 報告」和「功能建議」之間、「帳號問題」和「支付問題」之間，模型和人一樣會猶豫。定義表中要寫清「不包含」的情況和區分規則。
- 沒有「其他」類，模型只能把不屬於任何類別的文本硬塞進某個標籤，污染分類結果。
- 一次塞進去幾百條文本批量分類，模型漏掉或串行了幾條也很難發現。批量時要讓每條帶編號，並校驗輸出數量。
追問技巧：抽檢後把分錯的樣例貼回去，問「這些錯誤說明哪條規則不清楚，怎麼修改定義表」。針對用戶評論的情感與標籤分析可配合 431 號提示詞。
示例輸出
示例，僅供參考（標籤定義表節選）
| 標籤 | 定義 | 不包含 | 區分規則 |
|---|---|---|---|
| Bug 報告 | 現有功能沒有按預期工作 | 對現有設計不滿意但功能正常 | 用戶描述「點了沒反應、報錯、閃退」歸為 Bug；「希望能……」歸為功能建議 |
| 支付問題 | 與扣款、退款、充值、發票相關 | 只是詢問價格 | 同時涉及帳號與扣款時，優先歸為支付問題 |
| 其他 | 不屬於以上任何一類 | — | 歸入此類時必須用一句話概括內容 |
json
{"id": 17, "label": "支付問題", "confidence": "高", "reason": "用戶反饋重複扣款"}同款作品
用這條提示詞做出來的作品；原作者會因此獲得積分
還沒有同款，來做第一個。
0 條評論
還沒有評論，來搶沙發～