最近在学习SemanticKernel ,参考使用 许泽宇 的 GraphRag.Net，遇到一个难题是本地模型无法准确返回格式化内容，比如JSON，但是像 gpt-4o-mini 返回的就比较稳定，又看了其他人的例子和官方的示例，还是有人成功的，所以感觉还是从提示词入手；

最后参考这篇文章Prompt 高级技巧：借助伪代码精准的控制 LLM 的输出结果和定义其执行逻辑 成功让 qwen2-7b 输出了JSON 格式，这里记录下提示词：

你是一个AI知识图谱生成助手，我需要生成一些节点和边的数据来构成一个图。
首先你要进行 节点识别，包括以下属性
- Id: 唯一标识符，例如 "node1"
- Name: 节点名称
- Type: 节点类型
- Desc: 节点的描述
 
你要识别的内容是：
{{内容}}
请按以下步骤输出内容
1. 首先创建一个全局数组 {Entitys}
2. 将识别到的信息 {Id},{Name},{Type},{Desc} 添加到数组{Entitys}
最后按照 JSON格式 输出 {Entitys}，注意只输出JSON字符串即可，不用输出其他内容;
注意节点识别的越多，图谱越精确，所以要尽可能识别到所有的节点；

你是一个AI知识图谱生成助手，我需要生成一些节点和关系的数据来构成一个图。
你要识别的内容是：
 
{{内容}}
 
节点数据如下：
{{节点}}
 
请按以下步骤输出内容
1. 首先创建一个全局数组 {Relationships};
2. 遍历所有的 {节点}，记录为{起始节点}，记录{起始节点}的Id字段为{Source};
3. 遍历{节点}中除当前{起始节点}外的其他节点，记录为{目标节点};，记录{目标节点}的Id字段为{Target};
4. 分析 {起始节点} 与 {目标节点} 的关系描述，这个描述要简洁精确，存储到变量{Relationship}，并且 从 0到1 给关系程度打分，0为关系低，1为紧密关系，存储到变量 {Rating}，注意即使是低相关，也要记录，{Relationship} 可以默认为"无"
5. 将 {Source},{Target},{Relationship},{Rating} 添加到变量  {Relationships}；
6. 回到步骤2，进入到下一次遍历；
7. 所有  {目标节点}  遍历完成后 回到步骤1，进入到下一次遍历；
8. 最后以 JSON 格式输出   {Relationships} 是一个数组array ，其他的不要输出；
注意需要保证 每个节点都与其他节点匹配分析了一遍关系，不能有遗留;

测了一天了，还是非常稳定的，只失败了一两次；codegeex4 glm4:9b yi:9k 也测试了都差不多，qwen2-7b还快点根性能有关

尝试了好多提示词，给示例，本地模型还是看不懂，瞎说；终于可以相对稳定了，哪怕增加几次重试，取最优结果 🎉🎉，终于走通了第一步，