治伦AI LLM是当前进行各种文本小结生成的有效工具，例如可以生成新闻小结、电话小结、诊断小结等等。
1. 如何提升LLM生成文本小结的效果
一种最容易想到的就是基于标注的文本小结微调LLM模型，但在实际业务中标注各种文本小结往往非常耗时。
是否存在不用微调也能确保LLM生成比较好的文本小结呢？
在这些文章中我们谈论了如何基于标签进行小结评价的方法。
LLM电话小结应用：一种基于结构化标签构建、评价电话小结的方法！
同理，我们亦可以通过各种标签（文本中蕴含的各种属性）进行文本小结的生成，因此我们可以使用标签来改进Prompt，从而改善LLM生成文本小结的效果。
2. 如何基于标签进行文本小结的生成
通常要进行基于标签的文本小结生成，通常分为两步：
第一步：获取标签信息
第二步：基于标签信息生成文本小结
2.1 获取文本标签信息
如果要提升LLM提取标签信息的准确性，可使用微调的方法。见：
FocusValue学习：提升LLM提取结构化标签值的准确性
LLM标签信息提取（Key-Value）效果衡量：评价指标构建
但如果不用微调方式，可参考文章《 Element-aware Summarization with Large Language Models: Expert-aligned Evaluation and Chain-of-Thought Method》
在文章中将文章中的标签信息定义为四种：
（ Entity，Date，Event，Result）
并使用如下Prompt获取标签信息：
你也可以基于自己业务中需要的标签进行Prompt改写，从而获取相关标签信息。
你亦可以使用5w1H方法进行标签确定。
（who, what, when, where, why, how）
2.2 如何基于标签进行文本小结生成
在2.1中获取了标签信息，故可以构建Prompt进行文本小结的生成。例如，在文章中基于2.1中的内容，并增加提示词“ Let’s integrate the above information and summarize the article:”来进行文本小结的生成。
3. 使用提示词生成文本小结的效果如何？
从论文中的结果来看，基于标签生成文本小结比微调的LLM不使用标签具有更好的效果。
另外，由于文本小结是基于各种标签进行生成，故生成的文本小结非常适合使用标签属性进行效果验证。
