关键词提取是自然语言处理中的经典任务，传统做法依赖TF-IDF、TextRank等统计算法，或者专门训练的序列标注模型。这几年大语言模型普及之后，越来越多的开发者选择直接用提示词来完成这项工作，省去了标注数据和训练模型的过程。但实践中不少人发现，把文本丢给大模型后，得到的关键词要么过于宽泛，要么遗漏了真正重要的实体，输出格式还经常不稳定。问题的根源通常不在模型本身，而在提示词的设计上。这篇文章就来系统讲讲，如何设计一份高质量的关键词提取提示词，让模型稳定输出你要的核心信息。
一、为什么直接提问的效果往往不理想
很多人第一次尝试时，提示词写得非常简单，比如一句话：请从下面的文本中提取关键词。这种写法在短文本上偶尔能碰对，但一旦文本变长、主题变多，输出质量就会明显下滑。原因在于这句话存在大量未定义的空白：什么算关键词？名词短语还是任意词语？提取多少个？要不要去重？输出是列表还是句子？模型只能靠自己的默认理解去补全这些空白，而不同模型、甚至同一模型的不同次调用，默认行为都可能不一致。
另一个常见问题是泛化偏差。大模型在训练中见过海量文本，它倾向于输出高频、通用的词汇。比如一段介绍某款新能源汽车电池技术的文章，模型可能给出"汽车""电池""技术"这类词，虽然字面上确实出现了，但对理解文章核心几乎没有帮助。真正有价值的关键词应该是"磷酸铁锂""CTB底盘一体化""800V高压平台"这类具体、有区分度的表达。
格式不稳定也是让开发者头疼的问题。你期望模型返回JSON数组，它可能返回一段带编号的列表，或者干脆用自然语言描述。下游程序一旦依赖固定格式解析，这种不稳定性就会直接导致流程中断。所以一份合格的提取提示词，必须同时解决语义约束和格式约束两个层面的问题。
二、提示词设计的四个核心要素
1. 明确角色与任务边界
给模型设定一个具体的角色，能有效引导它调用相关知识范围内的判断标准。比如设定为"信息检索领域的标注专家"，模型对关键词的筛选标准会更贴近专业理解。同时要把任务边界写清楚：只提取文本中明确出现的内容，还是允许归纳推断；只提取实体名词，还是也包括关键动词短语。这些约束不写明，模型就会自行发挥。
2. 定义关键词的判断标准
这是最容易被忽略但影响最大的一环。建议在提示词中明确告诉模型：关键词应当具备区分度，能体现文本核心主题；优先提取专有名词、技术术语、人名、机构名、产品名；避免泛化词汇和语气助词。必要时可以给出反例，告诉模型哪些类型的词不要输出。
3. 控制数量与输出格式
数量约束建议写成范围而不是定值，比如"提取5到10个"，给模型一定的弹性空间。格式约束则要具体到可以直接被程序解析的程度，明确要求只输出JSON，不要附加任何解释文字。
4. 用Few-shot示例锚定行为
给出一到两个输入输出的完整示例，是提升稳定性的最有效手段。模型会模仿示例中的筛选尺度、粒度和格式，输出的方差会大幅降低。
下面是一个综合了上述四个要素的完整提示词模板，可以直接拿去改造使用：
prompt = """你是一名专业的信息抽取专家，擅长从文本中提取核心关键词。
## 任务要求
1. 从给定文本中提取 5-10 个关键词
2. 关键词必须是文中出现或可直接归纳的内容
3. 优先提取：专有名词、技术术语、人名、机构名、产品名、时间地点
4. 不要输出泛化词汇（如"问题""发展""技术"这类无区分度的词）
5. 关键词按重要性从高到低排列
## 输出格式
只输出一个JSON数组，不要输出任何其他内容。示例：
["磷酸铁锂电池", "800V高压平台", "CTB技术"]
## 待处理文本
{text}
"""
result = llm.chat(prompt.format(text=document))
keywords = json.loads(result) # 直接解析，无需清洗三、进阶技巧：分步提取与结果校验
当文本较长或者包含多个主题时，一次性提取的效果会打折扣。这时可以采用两阶段策略：第一阶段让模型先给文本划分主题或生成摘要，第二阶段针对每个主题分别提取关键词，最后合并去重。这种做法相当于把一个复杂任务拆解成模型更擅长的简单任务，准确率通常会有明显提升。代价是多一次调用，需要权衡成本。
另一个实用技巧是在提示词中加入自校验环节。要求模型输出关键词后，逐一检查每个关键词是否确实出现在原文中或者能被原文支撑，把不满足条件的剔除。这在要求严格抽取式输出的场景里特别有用，能显著减少模型"编造"看似合理但原文没有的词。示例写法如下：
verify_prompt = """下面是一段原文和一组候选关键词，请逐一检查每个关键词：
- 是否在原文中明确出现，或能由原文直接归纳得出
- 是否具有区分度，能代表文本的核心主题
删除不满足条件的关键词，输出剩余关键词的JSON数组，不要解释。
原文：{text}
候选关键词：{keywords}
"""如果业务对召回率要求很高，还可以考虑让模型从多个角度分别提取，比如一次只关注实体，一次只关注事件和动作，一次只关注领域术语，最后把三组结果合并。多角度提取的总召回率高于单次提取，再通过去重和重要性排序控制最终数量。这种方式在企业知识库打标签、工单自动分类等场景中效果很稳定。
四、常见失败场景与应对方案
第一种失败是关键词重复或语义相近，比如同时输出"机器学习"和"machine learning"，或者"大模型"和"大语言模型"。解决办法是在提示词中明确要求语义去重，同一概念只保留一个表达，并且指定保留中文还是英文。
第二种失败是模型输出额外解释。明明要求只输出JSON，它还是会加上"以下是提取的关键词："这类前言。可以在提示词末尾强调"你的回复必须以[开头，以]结尾"，或者将温度参数调低到0.1以下，都能明显缓解。
第三种失败出现在超长文本上。当文本超过上下文限制或者接近限制时，模型对开头和结尾内容的注意力会下降，中间部分的关键词容易被漏掉。应对办法是分段提取再合并，或者先用TextRank这类传统算法做粗筛，把高分句子拿出来让大模型精提。传统算法和大模型结合，往往比单独使用任何一方效果都好，成本也更可控。
最后提醒一点：提示词没有万能模板，不同领域的关键词判断标准差异很大。法律文书看重案由和条款，医疗文本看重疾病和药品名，社交媒体内容则看重话题和情绪词。建议在自己业务的典型样本上反复测试，把模型犯的错误类型记录下来，针对性地往提示词里补充约束条款，迭代两三轮后，提取质量通常就能达到可上线的水平。