通义千问文章拆分系列选题提示词人工整理技巧

你是否遇到过这样的困扰：希望通义千问将一篇行业分析文章拆解为系列选题，结果得到的却是机械切割、缺乏信息增量的条目？问题并不在于模型本身，而在于指令设计。通过优化思维路径与表达颗粒度，完全可以让输出结果更接近人工编辑的整理成果——具备判断力、观点锐度和具体的对象感。

以下直接介绍几个关键方法，每个方法均附有操作细节与示例。

为模型设定清晰的人设与任务边界

不要只使用“请拆分”三个字。在指令开头，直接定义其角色与场景。例如：“你现在是资深内容策划主编，刚刚读完一篇3000字的行业分析文章，正在为下周的选题会准备5个延展方向。每个方向需要能够独立成题、具备信息增量，并带有一定的观点锋芒，不能简单复述原文小节标题。”

这一步决定了模型是否进入“人脑推演”状态——它会主动过滤掉“第一部分讲了什么”“第二部分讲了什么”这类机械切分的平庸选项。

强制要求判断依据与筛选逻辑

要求模型在输出每个选题前，用括号简短说明选择该选题的原因。这个括号内的自证是人工选题时边写边想的真实痕迹，也是机器输出“像人”的最明显标志。例如：

• ①（避开原文已充分展开的结论，聚焦未被追问的动因）→ 选题：“政策落地半年后，基层执行者悄悄改写了KPI考核表”
• ②（提取文中一个被轻描淡写但具有普遍性的矛盾点）→ 选题：“客户说‘再想想’，销售却不敢追问——沉默信号背后的决策权迁移”
• ③（将文中两个分散段落的隐含关联显性化）→ 选题：“当融资节奏变慢，为何裁员反而更谨慎？现金流账本与组织惯性的错位”

括号内的逻辑越具体，模型输出的选题就越有锐度。这里的关键在于：逻辑自证本身就是模拟人工编辑思考过程的核心手段。

限制格式，但不限制语言风格

方法一：使用“主标题 + 副标题”结构。
主标题制造张力或反常识，副标题交代具体切口与信息锚点。例如：“不是用户不买，是购物车正在失语（从372份退货备注中打捞出的6类沉默放弃信号）”。

方法二：插入真实约束条件。
在指令中加入一条硬性要求：“所有选题必须包含至少一个可验证的具体对象，例如‘县域母婴店’‘SaaS续费率低于65%的公司’‘2024年Q1被拒贷的小微经营者’，禁止使用‘某些企业’‘部分用户’等模糊指代。”没有具体对象的选题会丧失策划可信度，人工编辑绝不会留下这种空洞条目。

注入人工特有的“不完美感”

在指令末尾添加一句：“允许其中1个选题带有轻微争议性，例如使用一个尚无共识的新术语，或挑战原文的某个默认前提——但必须标注‘此方向需进一步验证’。”这样会让输出出现一处微小的、真实的编辑犹豫感，从而打破AI追求四平八稳的惯性。人工策划从来不是每一条都稳妥，总有一两条是试探性的火种。

总结几个核心要点：人设先行、判断自证、具体对象限制、允许争议。按照这个框架编写指令，通义千问给出的选题列表会明显更接近人工编辑的成果——具备信息增量、观点锋芒和可验证的细节。不妨试一试。