API接口文档模拟数据生成器

接口基本信息

• 接口名称：文本改写
• 请求方法：POST
• 端点路径：/v1/text/rewrite

请求参数示例

<request>
  <original_text>在过去十年，人工智能快速发展，特别是深度学习在图像识别、自然语言处理和推荐系统中取得显著进展。企业在采用相关技术时，常以提升生产效率和优化决策为目标，然而不同规模组织的收益存在差异。根据公开统计，多个行业的GDP增长率与技术渗透呈现正相关，但也受数据质量、算力成本与人才储备影响。Smith等人(2019)指出，模型的可解释性与合规要求同样重要。为避免夸张宣传，本文尝试对案例进行系统梳理，并提出可验证的评估框架。</original_text>
  <tone>academic</tone>
  <constraints>
    <keep_terms>
      <item>人工智能</item>
      <item>深度学习</item>
      <item>GDP增长率</item>
      <item>Smith等人(2019)</item>
    </keep_terms>
    <avoid_words>
      <item>粗糙</item>
      <item>随意</item>
      <item>垃圾</item>
    </avoid_words>
    <max_changes>12</max_changes>
  </constraints>
  <language>zh</language>
  <preserve_citations>true</preserve_citations>
</request>

响应数据示例

<response>
  <rewritten_text>过去十年间，人工智能迅速演进，尤其是深度学习在图像识别、自然语言处理与推荐系统等领域表现出显著效能。企业采用此类技术的主要目的在于提升生产效率与优化决策，但不同规模与治理能力的组织收益差异明显。宏观数据表明，多个行业的GDP增长率与技术渗透度呈正相关，同时受数据质量、算力成本与人才储备约束。Smith等人(2019)强调，模型可解释性与合规要求不可或缺。本文据此对典型案例进行系统化梳理，并提出可验证的评估框架，以减少主观偏差并提高证据稳健性。</rewritten_text>
  <change_log>
    <item>
      <type>wording</type>
      <from>快速发展</from>
      <to>迅速演进</to>
    </item>
    <item>
      <type>wording</type>
      <from>取得显著进展</from>
      <to>表现出显著效能</to>
    </item>
    <item>
      <type>structure</type>
      <from>企业在采用相关技术时，常以提升生产效率和优化决策为目标，然而不同规模组织的收益存在差异。</from>
      <to>企业采用此类技术的主要目的在于提升生产效率与优化决策，但不同规模与治理能力的组织收益差异明显。</to>
    </item>
    <item>
      <type>wording</type>
      <from>根据公开统计</from>
      <to>宏观数据表明</to>
    </item>
    <item>
      <type>wording</type>
      <from>技术渗透</from>
      <to>技术渗透度</to>
    </item>
    <item>
      <type>wording</type>
      <from>受…影响</from>
      <to>受…约束</to>
    </item>
    <item>
      <type>wording</type>
      <from>指出，模型的可解释性与合规要求同样重要。</from>
      <to>强调，模型可解释性与合规要求不可或缺。</to>
    </item>
    <item>
      <type>structure</type>
      <from>为避免夸张宣传，本文尝试对案例进行系统梳理，并提出可验证的评估框架。</from>
      <to>本文据此对典型案例进行系统化梳理，并提出可验证的评估框架，以减少主观偏差并提高证据稳健性。</to>
    </item>
    <item>
      <type>punctuation</type>
      <from>在过去十年，</from>
      <to>过去十年间，</to>
    </item>
    <item>
      <type>wording</type>
      <from>自然语言处理和推荐系统</from>
      <to>自然语言处理与推荐系统</to>
    </item>
  </change_log>
  <adherence>
    <kept_terms>
      <item>人工智能</item>
      <item>深度学习</item>
      <item>GDP增长率</item>
      <item>Smith等人(2019)</item>
    </kept_terms>
    <avoided_hits>0</avoided_hits>
  </adherence>
  <token_usage>
    <prompt>742</prompt>
    <completion>238</completion>
  </token_usage>
  <trace_id>5f3a9c64-1a2b-4c8c-9d3f-2f6b1a0d9b7e</trace_id>
</response>

数据说明

• original_text：长度100-4000字，含可保留的术语与引用格式
• tone：formal|informal|friendly|academic
• constraints.keep_terms：要求在 rewritten_text 中完整保留
• constraints.avoid_words：不得在 rewritten_text 出现
• constraints.max_changes：限制 change_log 项数（5-50）
• language：zh|en
• preserve_citations：true 时保留文献引用格式（如 Smith等人(2019)）
• rewritten_text：按 tone 与 language 改写后的文本
• change_log.type：wording|structure|punctuation；from/to 为变更片段
• adherence.kept_terms：实际保留的术语列表；avoided_hits：命中次数
• token_usage：prompt 与 completion 的令牌计数
• trace_id：36字符UUID

使用建议

• 用于学术/正式风格改写与术语保留场景
• 测试 avoid_words 过滤与 max_changes 约束
• 验证 preserve_citations 在不同引用格式下的保留效果
• 覆盖边界：最小/最大 max_changes、长文本与中短文本