Das Gebiet der Emotionserkennung in Konversationen (ERC) hat sich bisher auf die Trennung von Satzmerkmalenkodierung und Kontextmodellierung konzentriert, wobei generative Paradigmen basierend auf einheitlichen Designs wenig erforscht wurden. In dieser Studie schlagen wir einen neuen Ansatz, InstructERC, vor, um die ERC-Aufgabe von einem diskriminativen Rahmenwerk zu einem generativen Rahmenwerk basierend auf großen Sprachmodellen (LLMs) umzuformulieren. InstructERC leistet drei wichtige Beiträge: (1) Es führt ein einfaches aber effektives Retrieval-Template-Modul ein, das dem Modell hilft, explizit mehrstufige Dialogüberwachungsinformationen zu integrieren. (2) Wir führen zwei zusätzliche Emotionsausrichtungsaufgaben ein, nämlich die Sprecherauswahl und die Emotionsvorhersageaufgaben, um implizit die Rollenbeziehungen im Dialog und zukünftige emotionale Tendenzen in Konversationen zu modellieren. (3) Pionierhaft vereinen wir Emotionsetiketten über verschiedene Benchmarks hinweg durch das Gefühlsrad, um realistische Anwendungsszenarien abzubilden. InstructERC erzielt auch bei diesem vereinheitlichten Datensatz beeindruckende Ergebnisse. Unser LLM-basiertes Plugin-Rahmenwerk übertreffen alle bisherigen Modelle erheblich und erreicht den umfassenden Stand der Technik (SOTA) auf drei gängigen ERC-Datensätzen. Eine umfangreiche Analyse parameter-effizienter und datenskalierender Experimente bietet empirische Anleitung für dessen Anwendung in praktischen Szenarien.