Prompt Advance 分析文档（中文版）
概述
prompt_advance.py 包含用于时空关系抽取的高级提示词模板，针对军事/情报文本。主要关注三类任务：
- task_1_co_occurrence：同一时间/地点共现的实体（≥2 个实体）。
- task_2_location_chronicle：单一地点跨多个时间的实体时间线（≥2 个时间点）。
- task_3_spatial_distribution：单一时间快照下多地点的实体分布（≥2 个地点）。
核心原则：
- 仅提取文本中明确信息（禁止推断/猜测）。
- 时间/地点/实体名称使用原文表述。
- 时间：ISO 8601 格式（例如
2024-08-01T09:00:00）。 - 输出：严格 JSON，无关系时为空数组
[]。
提示词版本：1.0 (2026-01-09)。
提示词类型：定义与区别
| 类型 | 定义 | 关键机制 | 与其他类型的区别 | 示例输出结构 |
|---|---|---|---|---|
| Few-shot 示例 | 6 个精选示例覆盖所有 3 类任务。每例包含 text、thinking（分析步骤）、result（JSON）。 |
通过示例的上下文学习。 | 其他提示词的基础；无独立推理——通过示范指导模型。 | 用于 ReAct/CoT；例如仁爱礁共现。 |
| ReAct | 推理 + 行动循环，确保抽取准确。步骤：1. 思考（识别），2. 行动（抽取），3. 验证，4. 输出。 | 迭代：思考 → 行动 → 验证 → 输出。嵌入 few-shot。 | 动态循环 vs. 线性（CoT）或并行（Self-Consistency）。适合复杂推理。 | reasoning 对象 + 3 类任务数组。 |
| 思维链 (CoT) | 逐步分解（7 步：时间/地点/实体提取 → 分析 → 验证）。 | 线性推理链。嵌入 few-shot。 | 详细顺序步骤 vs. 循环（ReAct）或多角度（Self-Consistency）。最佳透明推理。 | analysis 对象（步骤细节） + 3 类任务数组。 |
| 自一致性 (Self-Consistency) | 多角度分析（时间/空间/实体/关系）→ 共识。 | 并行视角 + 投票。无 few-shot。 | 通过一致性降低错误 vs. 单路径（ReAct/CoT）。追求可靠性。 | 4 个角度对象 + final_consensus（3 类任务）。 |
| 多阶段 | 4 个顺序阶段：1. 时间/地点，2. 实体，3. 关系，4. 验证。 | 管道：一阶段输出喂入下一阶段。 | 模块化/可链式 vs. 整体提示词。适合结构化迭代 LLM 调用。 | 阶段特定 JSON，最终验证 3 类任务。 |
使用场景：
- Few-shot：嵌入其他提示词提供示例。
- ReAct：需验证循环的复杂文本。
- CoT：可解释的逐步分析。
- Self-Consistency：高准确性共识（多次运行）。
- 多阶段：大型文本拆分成 API 调用。
使用说明（“说明书”）
1. 准备
import prompt_advance # 假设文件作为模块导入
2. 辅助函数
format_few_shot_examples()→ 6 个示例的格式化字符串。get_react_prompt(text: str) → str→ 完整 ReAct 提示词（含示例）。get_cot_prompt(text: str) → str→ 完整 CoT 提示词（含示例）。get_self_consistency_prompt(text: str) → str→ 自一致性提示词。get_staged_prompts(text: str) → Dict[str, str]→ 4 个阶段提示词字典（注意：阶段 2-4 需要前阶段输出作为{time_location_info}等）。
3. 使用流程
通用流程
- 准备
text（输入句子/段落）。 - 选择提示类型 → 通过函数获取提示词。
- 送入 LLM（例如 Grok/DeepSeek）→ 解析 JSON 输出。
- 验证：检查 ISO 时间、原文名称、任务标准。
- 多运行聚合（例如 Self-Consistency）。
类型特定
ReAct/CoT：
prompt = prompt_advance.get_react_prompt("您的文本")
# 送入 LLM，预期 JSON 含 reasoning + 任务
Self-Consistency：
prompt = prompt_advance.get_self_consistency_prompt("您的文本")
# 运行 3-5 次，取 `final_consensus` 多数。
多阶段：
stages = prompt_advance.get_staged_prompts("您的文本")
# 阶段 1 → LLM → time_loc = 输出
# 阶段 2: stages['stage2'].format(time_location_info=json.dumps(time_loc), text="...")
# 重复 3-4，链式输出。
提示
- LLM 参数：多样性用高温度 (0.7+)（Self-Consistency）；精确用低 (0.1)。
- 错误处理：非 JSON 重试；验证 schema。
- 批量：嵌入 queue_manager.py/main.py 处理。
- 示例：查看
FEW_SHOT_EXAMPLES处理边缘情况（单/多地点/时间）。
提示词模板总结
- 全部强制纯 JSON 输出（无 Markdown）。
- 嵌入任务定义/判断标准。
- Few-shot 用于 ReAct/CoT，提升零样本 → 少样本效果。
版本说明
- v1.0：Few-shot + ReAct/CoT/Self-Consistency/多阶段。
- 原则：仅基于原文，无幻觉。
生成时间：2026-02-04
转载请注明来源，欢迎对文章中的引用来源进行考证，欢迎指出任何有错误或不够清晰的表达。可以在下面评论区评论，也可以邮件至 kipleyarch@gmail.com
