用这个提示词模板，3分钟分析完收购新闻
上周我在 Tavily 上刷到一条 Breaking：“LBG Media Buys 75% Of Uncovered”。点进去一看，又是那种需要注册才能读全文的新闻，摘要里全是乱七八糟的图片描述和表格索引，实际有效信息不到 50 字。
这种问题太常见了——每天海量的收购、融资、合作新闻，但作为开发者，我们真正关心的是：这交易对我用的技术栈有没有影响？对手库会不会被收购？API 会不会改版？
所以我写了一个专用的提示词模板，配合 Tavily 这类 AI 搜索引擎，让模型直接抽取出你想要的结构化分析，而不是给你一篇漂亮的“新闻综述”。读完这篇，你就能直接复制模板去分析任何收购案。
这个提示词解决什么问题
很多开发者用 AI 分析新闻，输出是这样的：
“LBG Media 收购了 Uncovered 75% 的股份，这是一次重要的战略举措，将增强其媒体业务...”（以下省略 500 字官腔）
信息量极低，全是废话。你想要的明明是：
- 交易金额多少？
- 收购是现金还是股票？
- 这家公司有什么技术资产（API、SDK、专利）？
- 对竞品生态有什么影响？
- 开发者需要留意什么（比如服务中断、许可证变更）？
普通提示词不会主动给你这些，因为模型倾向于“概括”，而不是“提取结构化事实”。我们需要通过明确的格式要求和角色设定，强制它产出你真正需要的数据。
核心思路
这套提示词的核心是 “角色 + 任务 + 输出格式 + 约束条件” 四段式结构：
- 角色：告诉 AI 它是“技术尽调分析师”，关注技术资产和开发者生态。
- 任务：明确要分析哪些维度（交易条款、战略动机、技术栈影响、开发者注意事项）。
- 输出格式：要求输出为 Markdown 表格或 JSON（看你方便），并给出字段定义。
- 约束条件：禁止空泛评论，每个观点必须引用新闻原文或事实。
另外，因为 Tavily 可以把搜索结果作为上下文传给模型，所以我会让提示词优先使用搜索结果中的具体语句，而不是依赖模型自身的训练数据（模型对最新新闻可能不了解）。
完整提示词模板（可直接复制）
以下是我在 ChatGPT / Claude / 本地 LLM 中配合 Tavily 使用的最佳版本，你也可以在 Tavily 官方的“精炼模式”中直接粘贴这个 prompt。
# 角色
你是顶级投资银行的技术尽调分析师，擅长从收购新闻中提取对开发者生态和基础设施的影响。
# 任务
分析下面这条新闻，输出以下维度的结构化总结：
## 必须包含的字段
1. **交易概况**：买方、标的、收购比例、交易金额（如果未披露，按行业估值估算并注明推测）、支付方式（现金/股票/债务）
2. **战略动机**：买方为什么要买？标的解决了什么痛点？是否涉及关键技术范式（如 AI、云原生、数据中台等）
3. **技术资产清单**：标的公司拥有的具体技术资产（产品、API、SDK、专利、开源项目、社区影响力）。如果没有直接数据，从公开信息推断。
4. **对开发者的影响**：API 是否会关闭？许可证是否变化？竞品是否需要切换供应商？有没有迁移窗口？
5. **时间线**：按新闻提到的日期整理关键里程碑，未提到的也根据常识推测（如监管批准、交易关闭）
## 输出格式
请使用 Markdown 表格输出前 4 个字段，第 5 个字段用纯文本时间线列表。
## 约束条件
- 禁止使用“标志性”“里程碑”“重要”等没有信息量的形容词。
- 每个推断必须标注【来源：新闻原文】或【推测：依据XX数据/逻辑】。
- 如果信息不足，直接写“未披露”，不要编造。
---
### 新闻内容
{tavily_search_results}效果演示：差 Prompt vs 好 Prompt
差 Prompt（你很可能在用）
“分析一下这个新闻：LBG Media Buys 75% Of Uncovered”
输出示例（我拿 GPT-4o 跑的真实结果）：
“LBG Media 是一家数字媒体公司，收购 Uncovered 75% 股份是为了扩大内容矩阵。具体金额未披露，但分析师估计在数千万美元量级。这笔交易将帮助 LBG Media 触达更年轻的受众......”
平均一条废话，没有我能直接用的数据。
好 Prompt（用上面模板）
输出示例（同样新闻）：
| 维度 | 内容 |
|---|---|
| 交易概况 | 买方：LBG Media（英国数字媒体集团）；标的：Uncovered（未明确说明，根据新闻推测为媒体或内容平台）；比例：75%；金额：未披露（推测：按类似媒体收购约 2000-5000 万美元，依据同行例如 2024年 Future收购类似资产的估值倍数）；支付方式：未披露 |
| 战略动机 | 【来源：新闻原文未提供具体动机，但从LBG Media业务推论】LBG Media 正在从自有媒体向内容网络转型，收购Uncovered 可能为了获取其用户生成内容（UGC）技术或版权库，或者补充视频/短剧内容品类。注意：原新闻摘要中包含大量TABLE字样，暗示Uncovered可能是一家有丰富数据资产的公司。 |
| 技术资产清单 | 【来源：未直接提供，但根据Uncovered名称和行业惯例推测】可能拥有：1. 内容推荐算法；2. 用户生成内容审核系统；3. 多语言视频转码与分发技术。具体需进一步调查。注意：原新闻中有一个 Image 25: Look First，可能指向 Uncovered 的技术产品。 |
| 对开发者的影响 | 1. 如果Uncovered有公开API，LBG Media可能整合或关闭它，建议开发者关注API状态页面；2. 如果Uncovered运营第三方SDK（例如广告变现工具），LBG Media可能更换供应商，需要提前测试替代方案。由于信息不足，暂列以上推测。 |
时间线：
- 2026-06-19：新闻发布（交易公告日）
- 接下来 3-6 个月：预计监管审批（如英国CMA）
- 之后 6-12 个月：整合开始，API/产品可能变化
对比之下，好 Prompt 输出了 5 个结构化维度，每个推断都有来源标注。即使信息不足，它也会明确说“未披露”而不是瞎编。这才是你真正想要的分析。
背后的原理
为什么这样写有效？
- 明确角色：告诉它“技术尽调分析师”后，模型会激活它训练数据中与“分析师报告”相关的知识，输出更严谨、更格式化的内容。
- 分区指令：把任务分解成“必须包含的字段”，每个字段就是一个小任务，模型不会漏掉。
- 输出格式约束：要求 Markdown 表格，强迫模型先列完所有 rows，避免答非所问。
- 来源标注：这个指令能让模型忠实于输入文本，减少幻觉。没有来源的推测强制标注【推测】，这样你一眼就能区分事实和猜测。
- 组合 Tavily 上下文：新闻内容往往只有一条短摘要，Tavily 可以额外搜索更多相关页面（如财报、竞品评论），模型有了更多事实依据。
变体和扩展用法
变体 1：改为 JSON 输出，方便后续处理
如果你打算把分析结果喂给另一个 AI 或数据分析工具，可以改成 JSON 格式：
# 输出格式
请以 JSON 格式返回，结构如下：
{
"deal": { "buyer": "", "target": "", "stake": "", "value": "", "payment_method": "" },
"strategy": ["列表"],
"tech_assets": ["列表"],
"developer_impact": ["列表"],
"timeline": "文本"
}变体 2：聚焦 “开发者迁移指南”
如果你本身就是目标标的物的用户，比如你正在用 Uncovered 的 API，把角色改成“客户迁移顾问”，任务聚焦于：
- 需要迁移到哪家竞品
- 迁移成本与时间估算
- 如何备份已有数据
变体 3：加入竞品对比
在多轮对话中，先让 AI 生成这个交易的分析，然后追问：“对比竞品 A 和 B，这次收购对它们的估值有什么影响？”注意保留上面的格式化结果作为上下文，效果更好。
注意事项
- 新闻原文的质量很重要：Tavily 抓取的摘要可能很短，这时你可以手动粘贴更长的原文。我在上面的测试中用的就是原文给出的那几行摘要，信息实在太少，所以模型被迫做了更多推测（我在推测中标注了）。如果你能提供更详细的新闻全文（比如 Reuters 收费版本），输出会更准确。
- 时间敏感度：如果新闻刚发布几小时，模型训练数据不包含它，一定要在 prompt 中强调“优先使用搜索上下文中的内容”。Tavily 本身有 freshness 参数，可以设置。
- 别忘了检查输出：即使有来源标注，模型也可能错误引用。快速浏览一眼，比如“Image 25: Look First”这样的信息明显是图片说明，不是技术资产。我的个人建议是：永远把 AI 输出当成初稿，你有责任做最后把关。
好了，下次你再看到一条收购新闻，不用自己脑补了，直接把新闻 URL 或摘要喂给这个模板。复制、粘贴、运行，三分钟后你就可以跟同事说：“这交易对我们的 SDK 有 X 影响，我们要提前准备 Y。”这才是技术人该有的效率。