看起来你卡在让Ollama（尤其是llama3.3 70B）正确理解BigQuery返回的数据，输出你想要的字段总结、态势分析和预测上了。我帮你梳理几个核心问题和可落地的调整方案：

一、先解决数据传递的核心问题 #

你当前的代码里有两个直接导致模型无法读取数据的错误：

1. JSON转换错误：json.dump(DATA_DICT)是把数据写入文件的方法，要转成字符串嵌入prompt，得用json.dumps(DATA_DICT)
2. Prompt未嵌入实际数据：你的prompt里只写了Data:---，模型根本没拿到实际的JSON数据，自然会要求更多信息

修改后的数据处理代码：

import json
import pandas as pd

# 执行BigQuery查询并转换格式
QUERY_RESULT_DATA = client.query(query) 
DATA_DICT = [dict(row) for row in QUERY_RESULT_DATA] 
df = pd.DataFrame(DATA_DICT) # 存XLSX用

# 正确转成带缩进的JSON字符串，让模型更容易解析结构
json_data = json.dumps(DATA_DICT, indent=2, ensure_ascii=False)

二、重构Prompt：给模型明确到“不会跑偏”的指令 #

大模型（尤其是llama3.3 70B）需要非常清晰、结构化的指令，不能用模糊的------占位符。你要明确告诉它：要处理什么数据、做哪些任务、输出什么格式。

针对你的需求，Prompt要包含这几个核心部分：

• 角色定位（比如“事件数据分析专家”）
• 前置上下文（比如之前的handler参数总结）
• 实际的JSON数据
• 分步骤的任务要求（字段总结→态势快照→预测）
• 输出格式要求（避免模型乱输出）

三、修复代码中的语法与逻辑错误 #

你的代码还有几个语法问题：

• Prompt用了字典{}，但Ollama的API要求prompt是字符串
• 函数参数重复（askollamaHandler(param2,param2,param3)）
• 未处理Ollama请求失败的情况

下面是修改后的完整函数示例：

1. 先处理参数过滤的handler函数 #

import requests

def askollamaHandler(country_code, keyword, event_filter, model="llama3.3:70b"):
    prompt = f"""
    你现在需要基于以下过滤参数，生成后续事件分析的前置总结：
    - 国家代码过滤：{country_code}
    - 关键词过滤：{keyword}
    - 事件类型过滤：{event_filter}

    请你用简洁的语言总结这些过滤条件的核心指向，比如“本次分析聚焦[{country_code}]地区，与[{keyword}]相关的[{event_filter}]类型事件”，为后续的数据分析提供上下文。
    """
    
    response = requests.post(
        "http://localhost:11434/api/generate",
        json={
            "model": model,
            "prompt": prompt,
            "stream": False  
        }
    )
    # 增加错误处理，避免崩溃
    if response.status_code == 200:
        return response.json()["response"]
    else:
        return f"Handler请求失败：{response.status_code} - {response.text}"

2. 处理BigQuery数据的核心分析函数 #

def askollamaQuery(data_json, handler_summary, model="llama3.3:70b"):
    # 给llama3.3 70B的指令要更明确，避免大模型“发散”
    prompt = f"""
    你是一位专业的国际事件数据分析专家，现在需要结合前置过滤条件和BigQuery返回的事件数据，完成指定分析任务。

    ---
    ### 前置过滤条件总结
    {handler_summary}
    ---
    ### 待分析的BigQuery事件数据（JSON格式）
    {data_json}
    ---
    ### 必须完成的3项任务
    请严格按照以下顺序输出结果：
    1. **字段核心信息总结**：针对以下每个字段，总结本次查询结果的关键内容：
       - SQLDATE：事件发生日期的时间分布（比如“集中在2024年8月，共XX条数据”）
       - Actor1Name/Actor2Name：主要参与方及出现频次（比如“Actor1Top3：XX、XX、XX”）
       - EventCode/EventRootCode：事件类型的Top3分布
       - AvgTone：整体语调的正负倾向及平均值
       - GoldsteinScale：冲突/合作程度的评分范围与平均值（评分越高越偏向合作）
       - SOURCEURL：信息来源的主要域名分布
    2. **整体态势快照**：基于以上字段，概括本次查询的整体事件态势（比如“以XX类型冲突事件为主，涉及XX与XX双方，整体语调偏消极，冲突程度中等”）
    3. **态势预测**：结合前置过滤条件，简要预测该地区/类型事件的短期发展趋势（比如“未来1-2周内，XX与XX的冲突事件可能持续，语调预计维持消极”）
    ---
    请用清晰的小标题区分每个部分，语言简洁专业，不要输出无关内容。
    """
    
    response = requests.post(
        "http://localhost:11434/api/generate",
        json={
            "model": model,
            "prompt": prompt,
            "stream": False  
        }
    )
    if response.status_code == 200:
        return response.json()["response"]
    else:
        return f"Query分析请求失败：{response.status_code} - {response.text}"

3. 最终调用逻辑 #

# 先获取过滤条件的前置总结
llama_handler_summary = askollamaHandler(country_code_filter, keyword_filter, event_filter, model="llama3.3:70b")
# 传入JSON数据和前置总结，获取最终分析结果
llama_query_summary = askollamaQuery(json_data, llama_handler_summary, model="llama3.3:70b")

# 打印或处理结果
print(llama_query_summary)

四、针对llama3.3 70B的额外优化建议 #

1. 控制数据量：如果BigQuery返回的结果超过100条，建议先做抽样（比如取前50条）或预计算统计量（比如GoldsteinScale的平均值、事件类型的Top5）再传给模型，避免prompt过长导致模型处理混乱
2. 指令更具象：可以在prompt里加“如果某个字段无有效数据，请注明‘无有效数据’”，让模型处理空值的逻辑更明确
3. 启用系统提示词：Ollama的API支持system字段，可以把“你是国际事件数据分析专家，擅长处理结构化事件数据并生成专业分析报告”放在system里，强化模型的角色定位

按这个方案调整后，llama3.3 70B应该能准确读取JSON数据，并输出你想要的总结、分析和预测了。