一个提示不适合所有人：面向个性化信息抽取的自我元演化

大语言模型（LLM）日益被部署于企业信息抽取（IE），其中同一文档需要为每个用户以不同方式重组。然而，现有提示优化方法依赖针对全局目标优化的单一提示，与真实职场固有的用户异质性不符。我们将企业IE形式化为交互反馈下的逐用户提示适配，并提出Self-Meta-Evolve——一个分层框架，为每个用户维护专属提示并通过双循环持续精炼：内循环基于画像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来演化元提示本身。为支持可扩展的训练与评估，我们发布了一个由292个模拟企业用户构成的画像驱动IE基准，并配套可复现、基于O*NET职业分类体系的画像生成流水线。在该基准上，Self-Meta-Evolve取得74.58%的成功率，比最强提示优化基线高出13.56个绝对百分点，且仅两轮迭代即达52.54%。一项20位真实从业者参与的双盲人类研究进一步证实，经我们框架适配的提示在71%的两两比较中胜过静态基线。