大型语言模型（LLM）在企业信息抽取（IE）中的应用日益增多，同一文档需要根据不同用户的需求重新组织。现有的提示优化方法仅针对全局目标优化单一提示，无法匹配真实工作场景中用户的异质性。我们将企业 IE 表述为基于交互反馈的每用户提示适配问题，并提出 Self-Meta-Evolve——一个层次化框架， 为每位用户维护专属提示，并通过双循环持续改进：内循环依据人物条件化反馈编辑结构化提示，外循环通过蒸馏成功编辑模式进化元提示。为实现可扩展的训练与评估，我们发布了基于 O*NET 职业分类的 292 名模拟企业用户的基准数据集，并提供可复现的人物生成流水线。实验结果显示，Self-Meta-Evolve 在该基准上取得 74.58% 的成功率，较最强提示优化基线提升 13.56 个绝对百分点，并在仅两次迭代后达到 52.54%。双盲人工研究邀请了二十名真实专业人士，结果表明框架生成的适配提示在 71% 的配对比较中胜出。
点评