关系抽取任务通常被简化为分类问题，但模型在真实文本中判断两个实体之间的关系时，往往依赖上下文中的隐含线索，而非简单的词面匹配。提示词的作用就是把这种隐含推理过程显式化，让模型按照给定的语义框架输出关系标签。如果提示词只包含一句“请判断实体关系”，模型很容易在相近关系之间混淆，比如把“任职于”误判为“合作过”，或者把“总部位于”误判为“位于”。因此，设计高质量的关系抽取推理提示词，需要同时考虑实体标记方式、候选关系定义、推理步骤和输出约束。
一、关系抽取提示词的基本构成
一个完整的关系抽取提示词至少需要包含四个要素：任务描述、实体标记、候选关系集合和输出格式。任务描述要明确告知模型当前是在做关系抽取，而不是实体识别或事件抽取。实体标记通常用占位符或特殊符号把句子中的两个实体框出来，避免模型错误地选择其他名词作为关系主体。候选关系集合可以是一个封闭列表，也可以是一个开放式的语义描述，但在实际工程中封闭列表往往更可控。
输出格式的设计非常关键。如果直接让模型生成自然语言描述，后续解析会比较困难；而要求输出JSON结构则便于程序处理。例如在提示词中可以这样写：从句子中提取实体1和实体2，并判断它们之间的关系。实体1用[E1]标记，实体2用[E2]标记。下面是一个基础的提示词模板。
请对以下句子进行关系抽取。
句子：张三于2020年加入阿里巴巴担任算法工程师。
实体1：[E1] 张三
实体2：[E2] 阿里巴巴
候选关系：任职于、创始人、总部位于、投资人
请从候选关系中选择一个最准确的标签，输出JSON格式：{"entity1": "张三", "entity2": "阿里巴巴", "relation": "任职于"}
这个模板虽然简单，但已经包含了明确的实体边界和候选关系。需要注意的是，当实体在句子中出现多次或存在指代时，标记方式要能消除歧义。比如“他”指代谁，需要在提示词中补充上下文说明，或者把实体在句子中的位置标注清楚。在复杂句子中，仅靠空格和[E1]标记可能不够，还可以要求模型先定位实体在句子中的起止位置，再判断关系。
二、用思维链增强实体关系推理
直接输出关系标签的提示词往往忽略了推理过程。很多关系判断依赖常识和上下文，比如“A收购了B”与“A投资了B”之间的差别可能在于资金比例和控制权，但模型如果只做一次前向计算，可能难以分辨。思维链方法要求模型在给出最终答案前，先输出若干中间的推理步骤，例如实体的类型、句子中表达关系的关键动词、时间特征、以及排除其他候选关系的理由。
将思维链引入关系抽取提示词后，可以显著降低相近关系的误判率。一个有效的模式是：第一步识别两个实体的语义类型，比如人名、机构名、地名；第二步找出句子中连接两个实体的谓词或介词结构；第三步结合候选关系定义逐一对比，排除明显不成立的关系；第四步给出最终标签和置信度。下面是一个带思维链的提示词模板。
你是一个关系抽取模型。请按照以下步骤推理两个实体之间的关系。 句子：李华在北京大学获得博士学位后，进入华为工作。 实体1：李华 实体2：华为 候选关系：任职于、毕业于、合作过、位于 步骤1：识别实体类型，李华是人名，华为是机构名。 步骤2：找出表达关系的词，例如“进入...工作”表示任职。 步骤3：排除其他关系：毕业于对应的是学校，合作过需要双方有共同项目，位于对应地理位置。 步骤4：输出最终关系。 请按步骤输出推理过程，最后用JSON给出关系。
这种推理过程不仅提高了准确率，还使模型的预测更具可解释性。在线上系统中，当模型判断某两个实体存在“合作过”关系时，业务方可以查看中间推理步骤，检查是否因为句子中出现了“联合发布”一词而触发。需要注意的是，思维链会增加输出token数量，在批量处理大量文本时需要考虑成本和延迟，因此可以根据场景选择是否开启。
三、少样本示例的构造策略
少样本学习在提示词工程中非常常用，关系抽取也不例外。在提示词中提供几个标注好的示例，可以帮助模型理解任务格式和关系定义的细微差别。但示例的构造并不是简单地从训练集中随机挑几条，而是要覆盖不同类型的关系、不同句式以及易混淆的边界情况。示例数量一般控制在3到5个比较合适，过多会导致提示词过长，模型可能忽略后面的指令。
正负样本的搭配也很重要。如果只给正例，模型可能会把所有句子都往已有的关系上靠；加入一到两个负例，也就是两个实体之间没有明确关系的示例，能让模型学会输出“无关系”或“无法判断”。此外，示例的顺序也会影响模型表现，通常把最常见的关系和有代表性的句子放在前面。下面用Python代码展示一种自动构建少样本提示词的方法。
def build_few_shot_prompt(sentence, e1, e2, examples):
prompt = "你是一个关系抽取助手。以下是一些示例，请根据示例的格式判断新句子中两个实体的关系。\n\n"
for i, ex in enumerate(examples, 1):
prompt += f"示例{i}：\n句子：{ex['sentence']}\n实体1：{ex['e1']}\n实体2：{ex['e2']}\n关系：{ex['relation']}\n\n"
prompt += f"新句子：{sentence}\n实体1：{e1}\n实体2：{e2}\n请输出关系："
return prompt
examples = [
{"sentence": "王芳创建了字节跳动", "e1": "王芳", "e2": "字节跳动", "relation": "创始人"},
{"sentence": "字节跳动位于北京", "e1": "字节跳动", "e2": "北京", "relation": "总部位于"},
{"sentence": "李明和王芳共同发表论文", "e1": "李明", "e2": "王芳", "relation": "合作过"},
{"sentence": "张伟喜欢喝咖啡", "e1": "张伟", "e2": "咖啡", "relation": "无关系"}
]
prompt = build_few_shot_prompt("刘强东创办了京东", "刘强东", "京东", examples)
print(prompt)
上面的示例覆盖了创始人、总部位于、合作过和无关系四种情况，能够帮助模型理解在什么条件下应该输出哪个标签。实际使用时，需要根据业务领域调整候选关系和示例。例如在金融领域，关系可能包括“控股”、“担保”、“诉讼”等，在医疗领域则可能是“药物相互作用”、“疾病症状”等。示例的多样性越强，模型在新句子上的泛化能力就越好。
四、关系边界模糊与幻觉抑制
关系抽取中最棘手的问题不是模型完全答错，而是在两个语义相近的关系之间摇摆。例如“A毕业于B大学”和“A任教于B大学”都涉及人物与学校的关系，但方向不同。如果提示词中的候选关系定义不够清晰，模型就可能张冠李戴。解决思路是在提示词中给每个关系补充一句简短的定义或判别条件，例如“任职于：一方为个人，另一方为机构，且个人在该机构工作；毕业于：一方为个人，另一方为教育机构，且个人曾在该机构学习。”这样模型在推理时就有了更明确的依据。
此外，模型产生幻觉也是一个常见问题。当句子没有足够信息支撑关系判断时，模型可能仍然自信地输出一个看似合理但错误的关系。针对这个问题，可以在提示词中增加“不确定”或“无法判断”选项，并要求模型输出置信度。例如要求模型在JSON中同时返回relation和confidence字段，当confidence低于某个阈值时，系统可以选择丢弃该结果或转交人工审核。
请判断以下句子中两个实体的关系，如果信息不足，请输出“无法判断”。
句子：他们在会议上讨论了合作计划。
实体1：张伟
实体2：王芳
候选关系：合作过、任职于、无关系
请输出：{"relation": "无法判断", "confidence": 0.2, "reason": "句子使用代词他们，无法确定实体边界"}
这种设计让模型在证据不足时有机会表达不确定性，而不是强行匹配。在工程实践中，还可以结合规则引擎对模型输出进行校验，比如当实体类型为人名和机构名时，不允许输出“地理位置”关系。通过提示词约束与后处理规则的双重过滤，可以明显提升关系抽取系统的整体可靠性。
总结来说，实体间语义关系推理提示词的设计需要从任务定义、推理路径、示例构造和不确定性处理四个维度综合考量。没有一种万能模板能适应所有领域，但掌握这些设计原则后，可以快速针对具体业务场景调整出高可用的抽取方案。