摘要

每天面对海量文本——产品评论、新闻文章、内部报告……我们根本没有时间逐字阅读。大语言模型（LLM）的文本摘要能力可以彻底改变这一局面。本文基于 OpenAI 官方课程，系统讲解如何使用 LLM 进行智能摘要。你将学到：控制摘要长度（字数/句子数）、为特定部门（如物流、定价）定制摘要、使用“提取”而非“总结”获得精准信息、批量处理多条评论并生成摘要列表。所有代码均基于 gpt-3.5-turbo 模型，可直接复制运行。读完本文，你就能构建属于自己的“智能阅读助手”。

适用人群 / 前置知识

适用人群：需要处理大量文本的开发者、运营人员、产品经理、数据分析师；希望利用 LLM 提高信息处理效率的学习者。
前置知识：了解 Python 基础；能读懂 API 调用代码；熟悉基本的提示词概念即可。

引言：文本摘要为何是 LLM 的“杀手级应用”

在信息爆炸的时代，我们每天被新闻、邮件、文档、用户评论淹没。据统计，普通人每天接触的信息量相当于 174 份报纸。我们缺的不是信息，而是处理信息的时间。

大语言模型（LLM）的文本摘要能力，正好解决了这一痛点。它可以在几秒内将一篇长文章压缩成几个关键句子，保留核心信息，过滤冗余细节。更重要的是，你可以通过调整提示词，让摘要聚焦于特定主题（如物流、价格、产品质量），甚至直接提取相关信息而非“创造”摘要。

本文将通过一个完整的电商产品评论处理案例，手把手教你实现从单条摘要到批量处理的全流程。

环境准备

首先确保安装 OpenAI Python 库并配置 API 密钥。以下为辅助函数（使用库版本 0.27.0）：

import openai
import os
from dotenv import load_dotenv, find_dotenv

_ = load_dotenv(find_dotenv())
openai.api_key = os.getenv('OPENAI_API_KEY')

def get_completion(prompt, model="gpt-3.5-turbo"):
    messages = [{"role": "user", "content": prompt}]
    response = openai.ChatCompletion.create(
        model=model,
        messages=messages,
        temperature=0,  # 确定性输出
    )
    return response.choices[0].message["content"]

如果你使用 OpenAI 库 1.0.0+，请参考前文博客中的替代代码。

案例数据：一条产品评论

我们有一条关于熊猫毛绒玩具的产品评论，将用它来演示各种摘要技巧。

prod_review = """
Got this panda plush toy for my daughter's birthday,
who loves it and takes it everywhere. It's soft and
super cute, and its face has a friendly look. It's
a bit small for what I paid though. I think there
might be other options that are bigger for the
same price. It arrived a day earlier than expected,
so I got to play with it myself before I gave it
to her.
"""

基础摘要：控制长度

最简单的摘要就是“短”。通过指定最大词数、句子数或字符数，你可以让模型生成简洁的摘要。

prompt = f"""
你的任务是为电商网站生成一个简短的产品评论摘要。
将下面用三重反引号分隔的评论总结为最多 30 个词。

评论：```{prod_review}```
"""

response = get_completion(prompt)
print(response)

输出示例：

柔软可爱的熊猫毛绒玩具，女儿很喜欢；价格略贵偏小；提前一天送达。

你也可以尝试：

• at most 3 sentences（最多 3 句话）
• at most 200 characters（最多 200 个字符）

注意：模型对精确字数的控制不是完美的，但大致在合理范围内。建议多试几次，或使用后处理截断。

定向摘要：为不同部门定制内容

同一个摘要可能对不同的人有不同的价值。物流部门只关心“什么时候到货”，定价部门只关心“价格是否合理”。通过修改提示词，你可以让模型聚焦于特定主题。

为物流部门定制

prompt = f"""
你的任务是为电商网站生成一个简短的产品评论摘要，
用于向物流部门提供反馈。

将下面用三重反引号分隔的评论总结为最多 30 个词，
重点关注提到产品运输和配送的方面。

评论：```{prod_review}```
"""

response = get_completion(prompt)
print(response)

输出：

产品比预期早到了一天，让我在送人之前自己先玩了一会儿。

为定价部门定制

prompt = f"""
你的任务是为电商网站生成一个简短的产品评论摘要，
用于向定价部门提供反馈（定价部门负责确定产品价格）。

将下面用三重反引号分隔的评论总结为最多 30 个词，
重点关注与价格和感知价值相关的方面。

评论：```{prod_review}```
"""

response = get_completion(prompt)
print(response)

输出：

毛绒玩具很可爱，但相对于价格来说尺寸偏小，可能有同样价格但更大的选择。

进阶技巧：提取（Extract）而非总结（Summarize）

在上面的定向摘要中，模型仍然包含了一些“其他信息”（例如物流部门的摘要里还提到了“让我先玩了一会儿”）。如果你只想要纯粹的事实，不需要任何额外描述，可以使用“提取”而非“总结”。

prompt = f"""
你的任务是从电商网站的产品评论中提取相关信息，
用于向物流部门提供反馈。

从下面用三重引号分隔的评论中，
提取与运输和配送相关的信息。限制在 30 个词以内。

评论：```{prod_review}```
"""

response = get_completion(prompt)
print(response)

输出：

产品比预期早到了一天。

这就是“提取”与“总结”的区别：总结会重新组织语言，可能加入过渡词或额外描述；提取则是直接从原文中摘取相关句子或短语，更加精准。

批量处理：对多条评论生成摘要

在实际场景中，你往往有几十上百条评论。我们可以把所有评论放入一个列表，然后循环调用模型生成摘要。
以下准备了四条评论（熊猫玩具、落地灯、电动牙刷、搅拌机）。为了节省篇幅，代码中只展示关键部分。

reviews = [review_1, review_2, review_3, review_4]

for i in range(len(reviews)):
    prompt = f"""
    你的任务是为电商网站生成一个简短的产品评论摘要。
    将下面用三重反引号分隔的评论总结为最多 20 个词。

    评论：```{reviews[i]}```
    """
    response = get_completion(prompt)
    print(f"评论 {i+1} 摘要：{response}\n")

输出示例：

• 评论1摘要：柔软可爱的熊猫玩具，女儿很喜欢；价格略贵但提前送达。
• 评论2摘要：落地灯带额外储物空间，价格合理，两天内到货，客服响应迅速。
• 评论3摘要：电动牙刷电池续航优秀，但刷头太小；50美元左右是好价。
• 评论4摘要：17件套搅拌机季节性半价，但后来涨价；电机一年后出问题。

这样，你可以在一个仪表盘上快速浏览所有评论的核心内容，需要时再点击查看原文。

常见问题与注意事项

1. 摘要会丢失信息吗？ 会，这是设计使然。摘要的目的是提取最重要的信息，你可以通过调整“最大长度”来控制保留的信息量。
2. 如何确保摘要不产生幻觉？ 使用“提取”模式比“总结”模式更安全，因为提取直接使用原文。对于总结，可以要求模型“仅基于给定文本”并降低 temperature。
3. 中文评论能用吗？ 可以。GPT 模型支持中文输入和输出，提示词用中文写即可。
4. 批量处理成本高吗？ 以 gpt-3.5-turbo 为例，每 1000 个 token 约 $0.002，总结一条 200
词的评论成本极低。
5. 摘要长度控制不精确怎么办？ 可以在提示中同时使用词数和句子数双重约束，或者在代码中对输出做后处理截断。

扩展应用场景

除了产品评论，文本摘要能力还可以应用于：

• 新闻聚合：每天自动摘要头条新闻，生成简报。
• 会议记录：将长会议记录压缩成要点列表。
• 客户支持工单：快速了解工单核心问题。
• 学术论文：为每篇论文生成一句话核心贡献。
• 内部文档：为长篇报告生成执行摘要。

总结

技巧	关键提示词指令	适用场景
控制长度	at most N words / sentences	通用摘要
定向摘要	focusing on aspects that mention X	为特定部门定制
提取信息	extract relevant information	需要精确事实
批量处理	循环调用 + 列表输入	大规模文本处理

文本摘要是大语言模型最实用、最容易上手的能力之一。掌握它，你就能从信息过载中解脱出来，把时间花在真正重要的决策上。

下一步，你可以尝试将自己的邮件、文档或用户反馈输入模型，看看它能为你节省多少时间。下一篇文章中，我们将探讨 LLM 的另一个强大能力——文本推理（情感分析、实体识别等），敬请期待！