Премини към основното съдържание
Български— Изберете език
Меню

Извличане и класифициране на обекти

Урок 11 от 12 Обновен 30 юли 2026 г. Програмист
На тази страница
  1. Основни случаи на употреба
  2. Извличане на именувани обекти
  3. Класифициране на съдържание
  4. Класифициране с множество етикети
  5. Извличане на таблични данни
  6. Детайлен анализ на настроенията
  7. Ключови изводи

Основни случаи на употреба

Структурираните изходи блескат в две категории задачи: извличане на информация от неструктуриран текст и класифициране на съдържание. Тези два случая са в основата на повечето корпоративни приложения с изкуствен интелект.

Извличане на именувани обекти

Извличането на обекти включва идентифицирането и категоризирането на ключови елементи в текста: хора, компании, локации, дати, суми и т.н.

from pydantic import BaseModel
from typing import Literal

class Entite(BaseModel):
    texte: str
    type: Literal[
        "person", "company", "location",
        "date", "amount", "product"
    ]
    contexte: str

class ExtractionEntites(BaseModel):
    entites: list[Entite]
    nombre_total: int
    langue_detectee: str

response, parsed = client.chat.parse(
    model="grok-4.20-0309-reasoning",
    messages=[{
        "role": "user",
        "content": """Extract all entities from this text:

        On March 15, 2026, Mistral AI raised €600 million
        from General Catalyst. Arthur Mensch, the CEO based in
        Paris, plans to launch Mistral Large 3 by June."""
    }],
    response_format=ExtractionEntites
)

for e in parsed.entites:
    print(f"[{e.type}] {e.texte} — {e.contexte}")

Класифициране на съдържание

Класифицирането присвоява предварително дефинирани категории към съдържанието. Структурираните изходи гарантират, че моделът връща само валидни категории.

class ClassificationEmail(BaseModel):
    categorie: Literal[
        "sales", "support", "billing",
        "partnership", "application", "spam", "other"
    ]
    sous_categorie: str
    priorite: Literal["low", "medium", "high", "urgent"]
    sentiment: Literal["positive", "neutral", "negative"]
    action_requise: bool
    resume: str

response, parsed = client.chat.parse(
    model="grok-4.20-0309-reasoning",
    messages=[{
        "role": "user",
        "content": """Classify this email:

        Subject: Urgent billing issue

        Hello, our latest invoice #2847 contains an error.
        The amount shown is €3,500 instead of the agreed €2,800.
        Please correct this quickly."""
    }],
    response_format=ClassificationEmail
)

print(f"Category: {parsed.categorie}")      # "billing"
print(f"Priority: {parsed.priorite}")        # "high"
print(f"Action required: {parsed.action_requise}")  # True

Класифициране с множество етикети

Когато съдържанието може да принадлежи към няколко категории:

class ClassificationArticle(BaseModel):
    titre: str
    themes: list[str]
    audience_cible: list[Literal[
        "developers", "managers", "data_scientists",
        "designers", "executives", "general_public"
    ]]
    niveau_technique: Literal["beginner", "intermediate", "advanced"]
    mots_cles_seo: list[str]
    temps_lecture_minutes: int

Извличане на таблични данни

Трансформирайте текст в действащи структурирани данни:

class LigneCommande(BaseModel):
    reference: str
    designation: str
    quantite: int
    prix_unitaire: float
    montant_total: float

class BonCommande(BaseModel):
    numero: str
    date: str
    fournisseur: str
    lignes: list[LigneCommande]
    montant_ht: float
    tva: float
    montant_ttc: float

response, parsed = client.chat.parse(
    model="grok-4.20-0309-reasoning",
    messages=[{
        "role": "user",
        "content": """Extract data from this purchase order:

        PO-2026-0847 dated 03/28/2026 — Supplier: TechParts SAS

        REF-001 | USB-C Cable 2m | x50 | €3.20
        REF-002 | HDMI Adapter | x20 | €12.50
        REF-003 | 4-port USB Hub | x10 | €24.90"""
    }],
    response_format=BonCommande
)

Детайлен анализ на настроенията

Отвъд простото положително/отрицателно, структурирайте пълен анализ:

class AspectSentiment(BaseModel):
    aspect: str
    sentiment: Literal["very_positive", "positive", "neutral", "negative", "very_negative"]
    mention: str

class AnalyseAvis(BaseModel):
    note_globale: float
    sentiment_global: str
    aspects: list[AspectSentiment]
    points_forts: list[str]
    points_faibles: list[str]
    recommande: bool

Ключови изводи

  • Извличането на обекти идентифицира хора, локации, дати и суми в свободен текст
  • Класифицирането налага предварително дефинирани категории чрез Literal и enum
  • Класифицирането с множество етикети използва списъци от Literal
  • Табличното извличане трансформира неструктуриран текст в действащи данни
  • Анализът на настроенията може да бъде детайлен с индивидуални аспекти
  • Всички тези шаблони работят с parse() или response_format