在阅读密度高的技术或商业书籍时，人们常希望借助大语言模型快速产出结构化的读书笔记。所谓书籍精华提取提示词，是一组写给模型的指令，用来规定它如何从用户粘贴或上传的文本中识别主线逻辑、剔除铺垫内容，并以固定格式返回摘要。这类提示词的核心价值不在于让模型替你读书，而在于把人的阅读目标翻译成机器可执行的抽取规则。
提示词骨架：角色、任务与输出约束
一个能稳定提取书籍精华的提示词，通常包含三个不可缺失的模块。第一是角色设定，例如要求模型扮演资深图书编辑，只依据给定文本发言，不引用外部知识。角色设定能压制模型自发补充常识的冲动，降低幻觉概率。第二是任务描述，需要明确告诉模型本次输入是一本书的某几章，目标是从中提取论点、证据与个人启发三类内容。第三是输出约束，包括字数上限、层级符号、是否保留原书术语等，约束越具体，返回格式越可控。
下面给出一个可直接使用的提示词模板。注意其中用方括号表示待替换内容，实际使用时去掉括号填入书籍信息即可。该模板刻意禁止模型写书中未出现的数据，从根源上减少编造。
你是一位严谨的非虚构图书摘录员。 任务：根据下方输入的[书名]第[起止章]内容，提取书籍精华。 要求： 1. 仅使用输入文本中的信息，禁止补充书中未提及的案例或数据。 2. 按“核心论点 / 关键证据 / 实践启发”三级标题输出。 3. 核心论点用一句话概括章节主旨；关键证据列三点并标注原段落大意；实践启发写给从业者。 4. 总字数不超过六百字。 输入文本： [粘贴书籍原文]
这种骨架的优势是返回结果差异小，方便横向对比不同章节。若去掉输出约束，模型可能生成散文式读后感，失去笔记的工具属性。实践中建议把模板存为本地文本，每次仅替换书名与章节，既省token也保持风格统一。
上下文窗口与分块提取策略
多数书籍单章字数超过十万，远超一般模型的单次上下文限制。直接粘贴整章常导致截断，模型只能看到开头便草率总结。分块提取是更可靠的方案：按书中自然小节切分，每块控制在模型上下文的百分之六十以内，分别跑提示词得到局部笔记，再让模型做二级合并。这样既能利用全文视角，又避开长度上限。
分块时需注意语义边界。若在某论证中途切断，局部笔记会丢失前提。可先让模型识别小节标题，以标题为切分锚点。以下 Python 函数演示如何按空行加标题规律切分纯文本书籍，实际项目可替换为解析 epub 的库。
def split_book_chunks(text, max_len=3000):
lines = text.split('n')
chunks = []
buf = []
for line in lines:
buf.append(line)
if len('n'.join(buf)) > max_len and any(l.strip().startswith('#') for l in buf):
chunks.append('n'.join(buf))
buf = []
if buf:
chunks.append('n'.join(buf))
return chunks
raw = open('book.txt', encoding='utf-8').read()
for i, c in enumerate(split_book_chunks(raw)):
print(f'块{i}长度{len(c)}')
得到分块后，可用同一个精华提取提示词逐块处理，再把各块笔记拼为一条合并指令：你是编辑，请将以下多段章节笔记去重并整合为一份总览，保留原书术语。该策略比一次长文本摘要的忠诚度更高，因为模型在短上下文里更难遗漏细节。代价是调用次数变多，可通过批处理接口降低成本。
多轮精炼与事实校验
首轮提取的笔记常混有模型自己的推演。第二轮应加入校验提示：请对照此前输入原文，删去任何原文未明确支持的表述，并用“见原书第X章”标注每条论点出处。虽然模型不能真翻书，但让它回溯输入文本中的邻近句子，可逼出证据位置。人工只需抽查标注处是否属实，效率远高于通读。
另一常见问题是术语漂移。模型可能把作者的“反馈回路”改成“闭环系统”，看似同义却偏离原意。可在提示词末尾加术语表：以下词须原样保留——反馈回路、边际成本、前置共识。代码层也能做替换校验，例如用正则扫描输出，发现近义词即报警。
import re
terms = ['反馈回路', '边际成本', '前置共识']
note = '模型返回笔记文本'
for t in terms:
if t not in note:
print('缺失术语:', t)
经过两轮到三轮精炼，笔记基本可作为个人知识库索引。需要提醒，大模型提取不能替代批判性阅读，它只是把厚书压成地图。地图标了路，走不走、怎么走仍由读者决定。把精华笔记与本人批注并列存放，半年后回顾常能发现当初忽略的暗线。