一段新闻摘要为何让模型“失忆”？
看一眼下面这段原文片段（来自某财经新闻聚合页）：
- /TABLE-Matsumoto -2025/26 parent results. Sign in or create a free account to read this news. Reuters Refinitiv TABLE-Kyowakogyosyo -2025/26 group results. … * Image 12 Dow Jones Newswires Sign in to read exclusive news. * Image 10 … Dec 22, 2025 Reuters Australia's FlexiRoam surge on Generali deal …
如果你把这段文字直接丢给LLM，指望它给你一个清晰的财务摘要——十有八九你会得到。要么是“无法理解，请提供更完整的信息”，要么是直接生成一段混乱的复制粘贴。
这不是模型笨，而是上下文结构没设计好。模型同时面对多条新闻标题、日期、图片占位符、登录提示，还有重复的“Sign in”文本。它不知道自己要提取什么、输出的格式是什么、哪些信息是噪音。于是它“失忆”了——注意力被分散，最终输出也随波逐流。
上下文结构分析：为什么模型会“跑偏”？
我们可以把这段文本拆解成模型眼中的“上下文块”：
- 实体块：TABLE-Matsumoto, TABLE-Kyowakogyosyo, FlexiRoam, 1MDB saga 等
- 动作块：“Sign in to read”、“returns parent results”、“accepts bids for bonds”
- 噪音块：图片标签
* Image 12、重复的登录提示、无关联的日期序列
如果不用清晰的指令告诉模型“忽略噪音，只关注财务相关实体和数字”，模型就会默认所有内容都是相关的——这是它语言建模的本能。结果就是：输出中可能混入图片占位符，或者把不同公司的数据揉在一起。
优化方案：一个可复用的Prompt模板
核心思路是：用角色+任务+格式约束+示例，为模型划定一个明确的“上下文边界”。下面这个模板可以直接复制到任何支持Chat Completion的API中使用。
## 角色定义
你是一名金融数据提取专家。你的任务是从给定的杂乱新闻文本中，提取所有与上市公司财务业绩相关的关键信息，并以标准JSON数组格式输出。
## 输入文本
{INSERT_YOUR_TEXT_HERE}
## 提取规则
1. 只提取包含“parent results”、“group results”、“bonds”、“earnings”、“revenue”、“profit”等关键词的公司条目。
2. 忽略图片标签（* Image 数字）、登录提示（Sign in）和付费墙文本。
3. 每条记录包含以下字段（如果缺失则填null）：
- company_name: 公司全称
- period: 财报覆盖期间（提取“-2025/26”这类信息）
- metric_type: parent_results / group_results / bond_issuance 等
- details: 直接引用的数字或具体描述（如“$500 million”或“surge on deal”）
4. 输出严格为JSON数组，不要任何Markdown包装。
## 示例
输入："TABLE-Matsumoto -2025/26 parent results. Sign in. * Image 5"
输出：[{"company_name": "Matsumoto", "period": "2025/26", "metric_type": "parent_results", "details": "No numeric data available"}]原理说明：为什么这样写有效？
- 角色注入（“你是一名金融数据提取专家”）给模型一个身份锚点，让其主动调用相关领域的知识，避免自由闲聊。
- 任务边界（“从杂乱新闻文本中提取”）让模型知道输入是噪音，需要过滤。
- 格式约束（JSON数组+字段定义）限死了输出空间，模型无法“发散”出其他格式。
- 示例（“输入…输出…”）进一步降低了自由度，模型会模仿示例的行为。
实验对比：差Prompt vs 好Prompt
差Prompt
请提取下面新闻中关于财务结果的信息：
（输入文本同上）实际输出（典型）：
我看到新闻中提到MATSUMOTO、Kyowakogyosyo以及一些债券信息。但是有许多链接和图片，我不确定要提取什么。如果您能提供更干净的数据，我才能帮助您。
分析：模型没有看到明确的“提取格式”，于是反馈了一个反问。它试图理解用户意图，但因为意图模糊，它选择了“保守拒绝”。
好Prompt（上面的模板）
实际输出（模拟）：
[
{
"company_name": "Matsumoto",
"period": "2025/26",
"metric_type": "parent_results",
"details": "No numeric data available"
},
{
"company_name": "Kyowakogyosyo",
"period": "2025/26",
"metric_type": "group_results",
"details": "No numeric data available"
},
{
"company_name": "L&T Finance",
"period": null,
"metric_type": "bond_issuance",
"details": "accepts bids for 3-year bonds"
}
]对比效果：好Prompt成功过滤了图片、登录提示、无关日期（Dec 22, 2025）和重复新闻标题。它只输出了金融实体，且格式完全符合JSON约定。数据缺失时用null填充，而不是自行虚构数字。
适用场景和边界
这个方法的本质是用结构化指令对抗上下文噪音。它适用于以下场景：
- 从大量新闻摘要中提取财报关键数据
- 从会议记录中提取关键决议和责任人
- 从多封邮件中提取截止日期和任务分配
边界条件：
- 如果输入文本中完全没有匹配关键词（例如全是八卦新闻），模型会返回空数组
[]。这是预期行为。 - 如果数字信息被隐藏在图片中（如图表），模型无法提取。需要额外调用OCR工具。
- 对于同一个公司的重复条目，模型可能提取多次。可以通过后续去重或prompt中加入“只保留最新一条”来缓解。
变体与扩展用法
变体1：多轮增量提取
当你先提取一批数据，然后又给模型追加新新闻时，可以这样改：
你已有之前的提取结果：{previous_json}
现在输入新文本，请只提取新增的条目，不要重复已有数据。这样就能在不丢失上下文的情况下更新表格。
变体2：带置信度评分
让模型对每个提取结果加一个“confidence”字段（high/medium/low），用于警示可能错误的数字。
- confidence: 如果文本明确提到数字（如“$100 million”），则为high；如果只有间接描述，则为medium；如果没有数字，则为low。变体3：输出Markdown表格（适合非技术读者）
请输出如下Markdown表格：| 公司 | 期间 | 指标类型 | 详情 |这样方便直接嵌入文档。
写在最后
不要责怪模型“不听话”——它只是在按照自己的理解尽力回应。问题是我们的上下文结构没有给它清晰的“任务边界”。通过一个精心设计的prompt模板，你可以把一段混乱的新闻摘要变成干净的结构化数据，直接用于下游分析。这个能力在金融数据处理、信息抽取、自动化报表生成等领域极其实用。
现在就去你的API里试一下这个模板，你会看到模型变“聪明”了。