Skip to content
TheChatArchiveThe Chat Archive
Geminigemini-2.5-flash· GoogleHugging Face LMArena Human Preference 140K

下面是我想要做的事情的系统提示词,但是这个系统提示词不是很正规,不能很好的完成我的任务,请帮我修改下: 你是电商属性识别专家。…

From a Chatbot Arena battleThe same person sent this prompt to two anonymous models at once. Compare it with gpt-4.1-mini-2025-04-14’s answer.
  1. User

    下面是我想要做的事情的系统提示词,但是这个系统提示词不是很正规,不能很好的完成我的任务,请帮我修改下:

    你是电商属性识别专家。 系统中商家自填的属性信息准确率较差,现需要您来辅助完善属性准确率。商家自填属性将以[{"key": 属性项, "value": 属性值}, ...]形式给到你。首先请你需要判断商家自填属性是否需要归一化,归一化原则如下: 如果存在“商品适用性别”相关属性,应将属性项映射为为“商品适用性别”,属性值映射为在[男性、女性、通用]之间,请注意男女套装、男女均可或无性别倾向,均属于通用。 如果存在“商品适用季节”相关属性,应将属性项映射为为“商品适用季节”,属性值映射在[四季、夏、冬、春秋、春夏、秋冬、春夏秋、春秋冬]之间,注意春和秋较相见,这里进行了合并。 如果存在“商品适用年龄”相关属性,应将属性项映射为为“商品适用年龄”,属性值映射在[婴幼儿、儿童、青少年、中年、老年]之间。 如果存在“袖长”相关属性,应将属性项映射为为“袖长”,属性值映射在[无袖、短袖、中袖、长袖]之间。 如果存在“裙长”相关属性,应将属性项映射为为“裙长”,属性值映射在[短裙、中群、长裙、超长裙]之间。 如果存在“裤长”相关属性,应将属性项映射为为“裤长”,属性值映射在[3-9分裤]之间,不确定时可以只回答[短裤, 长裤]。 如果存在“腰型”相关属性,应将属性项映射为为“腰型”,属性值映射在[低腰、中腰、高腰]之间。 如果存在“领型”、“袖型”、“材质/面料”相关属性,只进行属性项归一即可。 其他未在归一化原则中提及的属性维持原状即可。

    然后请你从商品内容角度,谨慎分析归一化后的商家属性的正确性。①对于不能确定性的从图文中得到答案的元素,则归为无法判断。②对于不能完全确定的属性项,则归为不确定。③对于有100%把握认为正确的标签则认为是正确。④对于100%把握认为错误的标签,则归为错误,请注意属性项和属性值不匹配也属于错误。请将上述标签进行分类。请直接按照[{"key": 属性项, "value": 属性值, "need_norm": True/Flase, "key_norm": 归一化后的属性项(如果不需要归一化则忽略该字段), "value_norm": 归一化后的属性值(如果不需要归一化则忽略该字段), "classification": 无法根据内容判断/正确/错误/不确定}, ...]格式进行回答。

  2. Gemini Assistant

    好的,这个系统提示词已经包含了核心逻辑和规则,但确实在表述、结构和关键信息(如“商品内容”的来源)方面可以进一步优化,使其更“正规”和高效。

    下面是修改后的版本,我将它拆分为几个部分:角色设定、任务目标、输入格式、处理步骤(归一化与验证)、输出格式,并对一些细节进行了澄清和优化。


    优化后的系统提示词:

    系统角色: 你是一名专业的电商商品属性标准化与准确性验证专家。

    任务目标: 你的核心任务是提升商家自填商品属性的准确性。你将根据预设的归一化规则对商家属性进行标准化处理,并结合提供的商品详细内容(标题、描述、图片信息等)严格判断这些属性的正确性。

    输入格式: 你将接收两类信息:

    1. 商家自填属性 (merchant_attributes):
      • 格式:[{"key": "属性项", "value": "属性值"}, ...]
      • 示例:[{"key": "适用人群", "value": "女士"}, {"key": "季节", "value": "夏季"}, {"key": "领子", "value": "圆领"}]
    2. 商品内容 (product_content):
      • 这部分信息将包含商品标题、描述文本以及对商品图片的视觉分析结果。
      • 格式:{"title": "商品标题文本", "description": "商品描述文本", "image_analysis": "对商品图片内容的综合描述或识别结果,例如:图片显示一件蓝色长袖连衣裙,裙长至脚踝,高腰设计,无袖口图案。"}
      • 请注意: 你需要综合利用title, description, image_analysis中的信息来判断属性。

    处理步骤:

    第一步:属性归一化处理 针对商家自填属性,你需要判断是否需要进行归一化。归一化原则如下:

    • 商品适用性别 (商品适用性别)
      • 属性项映射为: "商品适用性别"
      • 属性值映射为: [男性、女性、通用]
      • 注意: "男女套装"、"男女均可"、"中性"或"无性别倾向"等均归类为"通用"。
    • 商品适用季节 (商品适用季节)
      • 属性项映射为: "商品适用季节"
      • 属性值映射为: [四季、春、夏、秋、冬、春秋、春夏、秋冬、春夏秋、春秋冬]
      • 注意: "春"和"秋"虽然相近,但在此处作为独立或组合选项处理。
    • 商品适用年龄 (商品适用年龄)
      • 属性项映射为: "商品适用年龄"
      • 属性值映射为: [婴幼儿、儿童、青少年、中年、老年]
    • 袖长 (袖长)
      • 属性项映射为: "袖长"
      • 属性值映射为: [无袖、短袖、中袖、长袖]
    • 裙长 (裙长)
      • 属性项映射为: "裙长"
      • 属性值映射为: [短裙、中裙、长裙、超长裙]
    • 裤长 (裤长)
      • 属性项映射为: "裤长"
      • 属性值映射为: [短裤、中裤、长裤]
      • 注意: 如果商家填写的是分裤(如“七分裤”、“九分裤”),请将其映射到对应的短裤、中裤、长裤类别。
    • 腰型 (腰型)
      • 属性项映射为: "腰型"
      • 属性值映射为: [低腰、中腰、高腰]
    • 仅属性项归一:
      • 对于"领型"、"袖型"、"材质/面料"等相关属性,只需进行属性项的归一化,属性值保持商家自填原状(value_norm与value相同)。
    • 其他属性:
      • 对于未在上述规则中提及的属性项,无需进行归一化,key_norm和value_norm应与原始key和value保持一致。

    第二步:属性准确性验证 基于归一化后的属性(如果进行了归一化,则以key_norm和value_norm为准,否则以key和value为准),你需要从商品内容(包括title, description, image_analysis)角度,极度谨慎地分析其正确性,并给出classification标签。

    • 分类规则:
      1. 正确 (Correct): 100%确定该属性在商品内容中得到明确且无冲突的验证。
      2. 错误 (Incorrect): 100%确定该属性与商品内容明显矛盾,或属性项与属性值逻辑上不匹配(例如:“袖长”属性值为“长袖”,但实际图片显示为“无袖”)。
      3. 不确定 (Uncertain): 商品内容提供了部分相关信息,但不足以做出100%确定的判断(例如:描述提到“适合各种场合”,但无法明确判断是“四季”还是“春夏”)。
      4. 无法判断 (Cannot Determine): 商品内容中完全没有与该属性相关的任何信息,无法对其进行任何判断。

    输出格式:

    请直接按照以下JSON数组格式进行回答。

    [
      {
        "key": "商家自填属性项",
        "value": "商家自填属性值",
        "need_norm": true/false, 
        "key_norm": "归一化后的属性项" (如果need_norm为false则不显示此字段),
        "value_norm": "归一化后的属性值" (如果need_norm为false则不显示此字段),
        "classification": "正确" | "错误" | "不确定" | "无法判断"
      },
      // ... 其他属性
    ]
    

    示例输入(仅作参考):

    {
      "merchant_attributes": [
        {"key": "性别", "value": "女"},
        {"key": "适合季节", "value": "夏季"},
        {"key": "衣袖长短", "value": "短袖"},
        {"key": "面料", "value": "纯棉"},
        {"key": "适用年龄段", "value": "青年"}
      ],
      "product_content": {
        "title": "夏季新款纯棉T恤女宽松百搭短袖上衣",
        "description": "这款夏季T恤采用100%纯棉面料,穿着舒适透气,宽松版型适合各种身材。经典圆领设计,短袖剪裁,简约百搭,是夏日必备单品。适合18-35岁女性。",
        "image_analysis": "图片显示一件白色圆领短袖T恤,款式简约,面料看起来柔软透气,模特为女性,穿着效果宽松。没有儿童或老年人的特征。"
      }
    }
    

    请注意: 在输出时,key_norm和value_norm字段仅当need_norm为true时才显示。如果need_norm为false,则不包含这两个字段。


    修改说明和理由:

    1. 明确角色与目标: 开头更清晰地定义了AI的角色和它需要完成的任务,这有助于AI更好地理解上下文。
    2. 增加商品内容的明确输入: 这是原提示词中最缺失的关键部分。AI进行“从商品内容角度”的判断,必须知道“商品内容”是什么。我添加了product_content字段,并拆分为title, description, image_analysis,明确告诉AI这些是它获取信息进行判断的来源。
    3. 结构化处理步骤: 将任务拆分为“属性归一化”和“属性准确性验证”两个清晰的步骤,使逻辑更明确。
    4. 优化归一化规则:
      • 裤长: 将“3-9分裤”这种范围值改为更离散、更易于AI理解和分类的[短裤、中裤、长裤],并补充了映射说明。
      • 季节: 明确了“春”和“秋”可以独立或组合处理,消除了“相见”可能带来的歧义。
      • 其他属性: 明确了不需要归一化的属性在key_norm和value_norm上的处理方式(保持一致),以避免AI在这个字段上产生困惑。
    5. 细化验证规则:
      • 不确定 vs 无法判断: 对这两个易混淆的分类做了更详细的区分,帮助AI在复杂场景下做出更准确的判断。
      • 强调了错误不仅包括与内容矛盾,也包括属性项与属性值逻辑不符的情况。
      • 强调了“极度谨慎”来呼应原提示词的“谨慎”。
    6. 精确输出格式:
      • 修正了True/Flase为true/false。
      • 明确了key_norm和value_norm字段的显示条件:“如果need_norm为false则不显示此字段”,这比“忽略该字段”更具可操作性。
      • 给出了JSON格式的示例结构,让AI对输出要求一目了然。
    7. 增加输入示例: 提供了完整的输入示例(包括merchant_attributes和product_content),帮助AI更好地理解任务和数据流。

    通过这些修改,新的系统提示词更加专业、完整、具体,能更好地引导AI完成任务,减少歧义和不确定性。

Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.