Премини към основното съдържание
Български— Изберете език
Меню

Извличане и валидиране с инструменти

Урок 10 от 12 Обновен 30 юли 2026 г. Програмист
На тази страница
  1. Изграждане на надеждни конвейери за извличане
  2. Шаблон: обогатено извличане
  3. Шаблон: кръстосана валидация
  4. Шаблон: изчисление и структуриране
  5. Архитектура на стабилен конвейер
  6. Обработка на грешки в производствена среда
  7. Ключови изводи

Изграждане на надеждни конвейери за извличане

Чрез комбиниране на структурирани изходи с инструменти (уеб търсене, изпълнение на код) можете да изградите стабилни конвейери за извличане и валидиране. Този урок показва как да архитектите тези конвейери за производствена употреба.

Шаблон: обогатено извличане

Най-честият шаблон е обогатяването на извличането на данни с уеб търсене. Започвате със суров текст, моделът извлича субектите и след това ги обогатява с информация, намерена онлайн.

from pydantic import BaseModel

class EntrepriseEnrichie(BaseModel):
    nom: str
    secteur: str
    pays_siege: str
    site_web: str | None
    description_courte: str
    nombre_employes_estime: str | None
    technologies_utilisees: list[str]

class ExtractionEnrichie(BaseModel):
    entreprises: list[EntrepriseEnrichie]
    relations: list[str]
    contexte: str

response, parsed = client.chat.parse(
    model="grok-4.20-0309-reasoning",
    messages=[{
        "role": "user",
        "content": """Extract and enrich the companies mentioned in this text:

        'Mistral AI announced a partnership with Scaleway to
        host its models in France. Meanwhile, Hugging Face
        continues to collaborate with OVHcloud on open source
        infrastructure.'"""
    }],
    response_format=ExtractionEnrichie,
    tools=[{"type": "web_search"}]
)

Шаблон: кръстосана валидация

Кръстосаната валидация използва уеб търсене, за да провери информацията, извлечена от документ:

class FactCheck(BaseModel):
    affirmation: str
    verifie: bool
    source: str | None
    correction: str | None
    confiance: float

class RapportValidation(BaseModel):
    document_original: str
    verifications: list[FactCheck]
    fiabilite_globale: float
    resume: str

response, parsed = client.chat.parse(
    model="grok-4.20-0309-reasoning",
    messages=[{
        "role": "user",
        "content": """Verify the facts in this text:
        'France has 68 million inhabitants. Paris is the
        largest city in Europe. France's GDP is the 7th
        largest worldwide.'"""
    }],
    response_format=RapportValidation,
    tools=[{"type": "web_search"}]
)

for v in parsed.verifications:
    status = "Verified" if v.verifie else "Unverified"
    print(f"[{status}] {v.affirmation}")
    if v.correction:
        print(f"  → Correction: {v.correction}")

Шаблон: изчисление и структуриране

Комбинирайте изпълнението на код за изчисления и структурираните изходи за форматиране:

class LigneFacture(BaseModel):
    description: str
    quantite: int
    prix_unitaire_ht: float
    montant_ht: float
    tva: float
    montant_ttc: float

class Facture(BaseModel):
    lignes: list[LigneFacture]
    total_ht: float
    total_tva: float
    total_ttc: float

response, parsed = client.chat.parse(
    model="grok-4.20-0309-reasoning",
    messages=[{
        "role": "user",
        "content": """Calculate the invoice:
        - 3x Pro License at 299 EUR excl. VAT (VAT 20%)
        - 1x Training at 1500 EUR excl. VAT (VAT 20%)
        - 12x Monthly Support at 49 EUR excl. VAT (VAT 20%)"""
    }],
    response_format=Facture,
    tools=[{"type": "code_interpreter"}]
)

print(f"Total excl. VAT: {parsed.total_ht} EUR")
print(f"Total incl. VAT: {parsed.total_ttc} EUR")

Архитектура на стабилен конвейер

За производствена употреба структурирайте конвейера си на стъпки:

# Step 1: Raw extraction
class ExtractionBrute(BaseModel):
    entites: list[str]
    dates: list[str]
    montants: list[str]

# Step 2: Enrichment
class EntiteEnrichie(BaseModel):
    nom: str
    type: str
    details: str

# Step 3: Validation
class ResultatValide(BaseModel):
    entites: list[EntiteEnrichie]
    score_qualite: float
    alertes: list[str]

Всяка стъпка използва отделно извикване със специално адаптирана схема. Този модулен подход опростява отстраняването на грешки и мониторинга.

Обработка на грешки в производствена среда

try:
    response, parsed = client.chat.parse(
        model="grok-4.20-0309-reasoning",
        messages=messages,
        response_format=MonSchema,
        tools=[{"type": "web_search"}]
    )
except Exception as e:
    # Fallback without web search
    response, parsed = client.chat.parse(
        model="grok-4.20-0309-reasoning",
        messages=messages,
        response_format=MonSchema
    )

Ключови изводи

  • Обогатеното извличане комбинира уеб търсене и структурирани изходи за пълнота на данните
  • Кръстосаната валидация проверява фактите чрез уеб търсене
  • Изпълнението на код гарантира точни изчисления във финансовите конвейери
  • Структурирайте процеса на отделни стъпки за стабилност и лесно отстраняване на грешки
  • Винаги планирайте резервен вариант, ако инструментите се провалят