大模型应用
大模型下在于对于文本信息的理解和处理上有很大的优势，而 T8 具备有文本显示的标准 Schema 和渲染能力，二者互相配合，可以轻松实现用户数据简报信息的可视化，提升文本数据阅读的效率。
通过这样的方式，可以提供一个给用户使用的 AI Agent 应用，或者作为 Agent 应用的工具或者 MCP，辅助业务流程的建立。
整体流程
- 获取数据信息：通过增加一些数据检索工具，获取数据信息，比如：搜索结果、知识库、数据集、模型、工具、API 等。
- 对文本数据结构化处理：通过大模型 + 提示词的方式，将上一步获取的数据信息，处理成 T8 可识别、可渲染的 JSON Schema 格式。
- 渲染 Schema：如果是通过代码编辑应用，则结合
T8的 API 集成；如果通过 Agent 平台，需要通过平台自定义卡片的能力集成T8。
提示词 Prompt
md
你是一位经验丰富的数据分析师, 擅长根据给定主题和真实数据，撰写结构化、信息丰富的文章。
---
## 任务目标
请根据我提供的 JSON Schema 规范，结合给定的**主题内容**或者**具体数据**，生成一篇结构化的文章。文章内容需严格遵循输出格式和实体标注要求。
---
## 数据要求
- 所有数据必须来源于**公开真实的数据源**，包括但不限于：
- 官方公告/财报。
- 权威财经、科技媒体报道（如路透社、彭博社、财新网、TechCrunch 等）。
- 知名行业研究机构报告（如 IDC、Canalys、Counterpoint Research 等）。
- **严禁使用任何虚构、AI猜测、模拟或未经证实的非公开数据。**
- 数据必须是**具体的数字**（例如，“1.46亿台”、“7058台”），而非模糊的大概数字（如“几百万”、“数十辆”）。
---
## 输出格式要求
请严格按照上传的 JSON Schema 结构来撰写文章内容，下面是对 JSON Schema 简单的讲解：
- **顶级结构**：文章应包含一个根对象，其中包含 `headline` 和 `sections` 数组 。
- **结构元素**：在 `sections` 数组内部，使用 `paragraph`、`phrase` 等元素来构建文章内容。
- `section`：代表文章的一个主要章节，应包含 `paragraphs` 数组。
- `paragraph`：代表一个段落，其中包含 `phrases` 数组和当前 `paragraph` 的 `type`，其 `phrases` 数组由 `text` 和 `entity` 元素构成。
- `bullet`：用于表示列表整体。
- `bullet-item`：用于表述列表中的某个项。
- `text`：用于普通文本内容。
- `entity`：用于标注具有特定含义的短语或数值，其 `metadata` 包含 `entity_type` 和 `value`。
---
## `entity` 书写规范
### 实体标注类型 (`entity_type` 列表)
下面是实体短语支持的类型列表，请务必严格按照下表进行实体标注：
| 类型 | 说明 | 示例 |
| -------------------- | ---------- | -------------------------- |
| `metric_name` | 指标名称 | “出货量”、“增长率” |
| `metric_value` | 主指标值 | “1.46亿台”、“120座工厂” |
| `other_metric_value` | 其他指标值 | “192亿美元” |
| `delta_value` | 差值 | “+120” |
| `ratio_value` | 差率 | “+8.4%”、“9%” |
| `contribute_ratio` | 贡献度 | “40%” |
| `trend_desc` | 趋势描述 | “持续上升”、“趋于平稳” |
| `dim_value` | 维度标识 | “印度”、“江苏”、“海外市场” |
| `time_value` | 时间标识 | “2024年Q3”、“全年” |
| `proportion` | 比例描述 | “30%" |
在可能的情况下，要求尽可能多的将句子中的关键信息使用 `entity` 来取代普通 `text`（如指标、数值、时间、数字等），保证生成文本的多元性，提高可读性。(尤其要提升 `delta_value`, `ratio_value`, `proportion`短语的使用频率)。
### `entity` 可选字段（强烈推荐使用）
为每个 `entity` 尽量添加以下字段，以丰富结构和信息：
- `origin`：数据本身在原始来源中的精确数值表示（例如，对于“1.46亿台”，其原始数值可能是 `146000000`；对于“13.9%”，其原始数值可能是 `0.139221`）。
- `assessment`：根据官方数据，对该指标的增长或变化趋势进行判断（仅限 `'positive'` | `'negative'` | `'equal'` | `'neutral'`）。
- `detail`：对实体内容的补充数据说明（例如，面对 `trend_desc`， `detail`应为一个具体数据组成的数组，例如 `[2,3,4,1,7]`）。
---
## 其他要求
- 文章总字数应**不少于 800 个汉字**（请根据实际信息量调整具体字数）。
- 文章内容需**逻辑清晰、结构分明**，确保段落之间、章节之间过渡自然。
- 对数据提供**适当的解释和趋势分析**，不仅仅是罗列数字，要体现数据背后的意义。
- 文章语言应**自然流畅、客观专业**，避免口语化、营销色彩，以及不必要的实体或数值堆砌。
- 在最终输出的 JSON 中，`definitions` 部分可以**直接省略**，我只需要主体 JSON 内容。
- 在最终的输出中，任何多余的描述和 `markdown` 的代码快包裹都不需要，我只要纯文本形式的 JSON Schema。JSON Schema
我们提供了 T8 最新的标准 JSON Schema 定义，用于给大模型生成数据。
json
{
"$ref": "#/definitions/NarrativeTextSpec",
"$schema": "http://json-schema.org/draft-07/schema#",
"definitions": {
"BulletItemSpec": {
"additionalProperties": false,
"properties": {
"className": {
"type": "string"
},
"key": {
"type": "string"
},
"phrases": {
"items": {
"$ref": "#/definitions/PhraseSpec"
},
"type": "array"
},
"styles": {
"type": "object"
},
"subBullet": {
"$ref": "#/definitions/BulletsParagraphSpec"
},
"type": {
"const": "bullet-item",
"type": "string"
}
},
"required": ["phrases", "type"],
"type": "object"
},
"BulletsParagraphSpec": {
"additionalProperties": false,
"properties": {
"bullets": {
"items": {
"$ref": "#/definitions/BulletItemSpec"
},
"type": "array"
},
"className": {
"type": "string"
},
"isOrder": {
"type": "boolean"
},
"key": {
"type": "string"
},
"styles": {
"type": "object"
},
"type": {
"const": "bullets",
"type": "string"
}
},
"required": ["bullets", "isOrder", "type"],
"type": "object"
},
"CustomBlockElement": {
"description": "basic block element structure, used for extends",
"properties": {
"className": {
"type": "string"
},
"customType": {
"type": "string"
},
"key": {
"type": "string"
},
"styles": {
"type": "object"
}
},
"required": ["customType"],
"type": "object"
},
"CustomMetaData": {
"additionalProperties": {},
"description": "custom phrase metadata",
"properties": {
"customType": {
"type": "string"
}
},
"required": ["customType"],
"type": "object"
},
"CustomPhraseSpec<CustomMetaData>": {
"additionalProperties": false,
"properties": {
"className": {
"type": "string"
},
"key": {
"type": "string"
},
"metadata": {
"$ref": "#/definitions/CustomMetaData"
},
"styles": {
"type": "object"
},
"type": {
"const": "custom",
"type": "string"
},
"value": {
"type": "string"
}
},
"required": ["type"],
"type": "object"
},
"EntityMetaData": {
"additionalProperties": false,
"properties": {
"assessment": {
"$ref": "#/definitions/ValueAssessment",
"description": "assessment up or down, used for derived value 衍生指标评估参数，指定上涨或者下跌"
},
"detail": {
"description": "detail data, 明细数据，用于弹框展示"
},
"entityType": {
"$ref": "#/definitions/EntityType",
"description": "entity type, 实体类型标记"
},
"origin": {
"description": "original data, 原始数据",
"type": "number"
},
"sourceId": {
"description": "source id of the variable, to access the variable info from variableSourceMap",
"type": "string"
}
},
"required": ["entityType"],
"type": "object"
},
"EntityPhraseSpec": {
"additionalProperties": false,
"properties": {
"className": {
"type": "string"
},
"key": {
"type": "string"
},
"metadata": {
"$ref": "#/definitions/EntityMetaData"
},
"styles": {
"type": "object"
},
"type": {
"const": "entity",
"type": "string"
},
"value": {
"type": "string"
}
},
"required": ["type"],
"type": "object"
},
"EntityType": {
"enum": [
"metric_name",
"metric_value",
"other_metric_value",
"contribute_ratio",
"delta_value",
"ratio_value",
"trend_desc",
"dim_value",
"time_desc",
"proportion"
],
"type": "string"
},
"HeadingParagraphSpec": {
"additionalProperties": false,
"properties": {
"className": {
"type": "string"
},
"key": {
"type": "string"
},
"phrases": {
"items": {
"$ref": "#/definitions/PhraseSpec"
},
"type": "array"
},
"styles": {
"type": "object"
},
"type": {
"enum": ["heading1", "heading2", "heading3", "heading4", "heading5", "heading6"],
"type": "string"
}
},
"required": ["phrases", "type"],
"type": "object"
},
"HeadlineSpec": {
"additionalProperties": false,
"properties": {
"className": {
"type": "string"
},
"key": {
"type": "string"
},
"phrases": {
"items": {
"$ref": "#/definitions/PhraseSpec"
},
"type": "array"
},
"styles": {
"type": "object"
},
"type": {
"const": "headline",
"type": "string"
}
},
"required": ["phrases", "type"],
"type": "object"
},
"NarrativeTextSpec": {
"additionalProperties": false,
"properties": {
"className": {
"type": "string"
},
"headline": {
"$ref": "#/definitions/HeadlineSpec"
},
"key": {
"type": "string"
},
"sections": {
"items": {
"$ref": "#/definitions/SectionSpec"
},
"type": "array"
},
"styles": {
"type": "object"
}
},
"type": "object"
},
"ParagraphSpec": {
"anyOf": [
{
"$ref": "#/definitions/HeadingParagraphSpec"
},
{
"$ref": "#/definitions/TextParagraphSpec"
},
{
"$ref": "#/definitions/BulletsParagraphSpec"
},
{
"$ref": "#/definitions/CustomBlockElement"
}
]
},
"PhraseSpec": {
"anyOf": [
{
"$ref": "#/definitions/TextPhraseSpec"
},
{
"$ref": "#/definitions/EntityPhraseSpec"
},
{
"$ref": "#/definitions/CustomPhraseSpec<CustomMetaData>"
}
]
},
"SectionSpec": {
"anyOf": [
{
"additionalProperties": false,
"properties": {
"className": {
"type": "string"
},
"key": {
"type": "string"
},
"paragraphs": {
"items": {
"$ref": "#/definitions/ParagraphSpec"
},
"type": "array"
},
"styles": {
"type": "object"
}
},
"type": "object"
},
{
"properties": {
"className": {
"type": "string"
},
"customType": {
"type": "string"
},
"key": {
"type": "string"
},
"styles": {
"type": "object"
}
},
"required": ["customType"],
"type": "object"
}
]
},
"TextParagraphSpec": {
"additionalProperties": false,
"properties": {
"className": {
"type": "string"
},
"key": {
"type": "string"
},
"phrases": {
"items": {
"$ref": "#/definitions/PhraseSpec"
},
"type": "array"
},
"styles": {
"type": "object"
},
"type": {
"const": "normal",
"type": "string"
}
},
"required": ["phrases", "type"],
"type": "object"
},
"TextPhraseSpec": {
"additionalProperties": false,
"properties": {
"bold": {
"type": "boolean"
},
"className": {
"type": "string"
},
"italic": {
"type": "boolean"
},
"key": {
"type": "string"
},
"styles": {
"type": "object"
},
"type": {
"const": "text",
"type": "string"
},
"underline": {
"type": "boolean"
},
"url": {
"type": "string"
},
"value": {
"type": "string"
}
},
"required": ["type", "value"],
"type": "object"
},
"ValueAssessment": {
"enum": ["positive", "negative", "equal"],
"type": "string"
}
}
}案例
我们基于蚂蚁 Agent 平台百宝箱，构建了一个 T8 的案例，可以参考 [Text Summary]。