Работилница: Анализ на текст
На тази страница
Цел на работилницата
След писането, нека сменим посоката: тази работилница Ви обучава да използвате Mistral за задачи по анализ – анализиране на настроенията в текста, извличане на ключова информация и класифициране на съдържанието. Тези умения са в основата на автоматизирането на обработката на текстови данни в бизнеса. Когато човек трябва да прочете десетки подобни текста, за да извлече една и съща информационна матрица, Вие имате кандидат за автоматизация. Ще забележите обща нишка в трите упражнения: температурата остава ниска, защото при анализа последователността е по-важна от креативността.
Упражнение 1: Анализ на настроенията в отзивите на клиенти
Представете си следния сценарий: управлявате обслужването на клиенти за онлайн пазар и получавате стотици отзиви ежедневно. Прочитането на всички е невъзможно; трябва да ги анализирате автоматично, за да откриете повтарящи се проблеми и да приоритизирате отговорите. Системният промпт дефинира фиксирана аналитична матрица – настроение, теми, спешност, действие – и налага JSON изход, така че Вашият инструмент за управление на билети да може да обработи резултата.
messages = [
{
"role": "system",
"content": """You are a customer experience analyst.
For each review, provide:
1. Overall sentiment: positive / mixed / negative
2. Topics covered (max 3)
3. Urgency level: low / medium / high
4. Recommended action (1 sentence)
Respond in structured JSON."""
},
{
"role": "user",
"content": """Analyze these 3 customer reviews:
Review 1: "Order received in 2 days, careful packaging. However, the user
manual is only in English, which is a shame for a product sold in France.
The product itself works very well."
Review 2: "This is the THIRD time I've received a defective item. Support
has been giving me the runaround for 2 weeks. I will contact the DGCCRF if
nothing moves."
Review 3: "Good value for money. Nothing exceptional but does the job.
Standard delivery, no issues."
Return a JSON table with the analysis of each review."""
}
]
response = client.chat.complete(
model="mistral-large-latest",
messages=messages,
temperature=0.1
)
Очакваният резултат изглежда така – обърнете внимание, че отзив 1, като цяло удовлетворен, но с резерва, трябва да излезе като “mixed”, а не “positive”, а отзив 2, със заплахата за контакт с DGCCRF (френската агенция за защита на потребителите), трябва да задейства висока спешност:
[
{
"review": 1,
"sentiment": "mixed",
"themes": ["delivery", "documentation", "product quality"],
"urgency": "low",
"action": "Translate the user manual to French for future batches."
},
{
"review": 2,
"sentiment": "negative",
"themes": ["product quality", "customer service", "recurrence"],
"urgency": "high",
"action": "Escalate to support manager for priority handling."
},
{
"review": 3,
"sentiment": "positive",
"themes": ["value for money", "delivery"],
"urgency": "low",
"action": "No action required, standard satisfied review."
}
]
Упражнение 2: Извличане на структурирани данни
Втора ситуация: получавате имейли с кандидатури за работа в свободен текст и трябва да извлечете ключова информация, за да захраните Вашата ATS (Система за проследяване на кандидати). Основният риск при извличането е измислицата: модел, оставен без инструкции, с удоволствие ще попълни пропуските с правдоподобни изводи. Оттук идват и двете основни правила на системния промпт – “not provided” за всяка липсваща информация и абсолютна забрана за правене на изводи.
messages = [
{
"role": "system",
"content": """You extract structured data from free text.
Rules:
- If information is not mentioned, indicate "not provided"
- NEVER deduce information: stay strictly with the text
- Dates must be in YYYY-MM-DD format
- Skills must be normalized terms"""
},
{
"role": "user",
"content": """Extract information from this job application email:
"Hello,
I am submitting my application for the full-stack developer position
published on LinkedIn. My name is Sarah Benali and I have 6 years
of experience in web development. Currently a Lead Developer at DataViz (Paris),
I work primarily with React, Node.js, and PostgreSQL. I also have
strong experience with AWS and Docker. My current daily rate is
€650 and I am available starting May 15, 2026.
Best regards,
Sarah Benali"
Expected JSON format:
{
"name": "",
"target_role": "",
"experience_years": 0,
"current_role": "",
"current_company": "",
"location": "",
"skills": [],
"daily_rate": "",
"availability": ""
}"""
}
]
response = client.chat.complete(
model="mistral-large-latest",
messages=messages,
temperature=0.0
)
Ето изхода, който трябва да получите:
{
"name": "Sarah Benali",
"target_role": "Full-stack developer",
"experience_years": 6,
"current_role": "Lead Developer",
"current_company": "DataViz",
"location": "Paris",
"skills": ["React", "Node.js", "PostgreSQL", "AWS", "Docker"],
"daily_rate": "€650",
"availability": "2026-05-15"
}
Обърнете внимание на температурата от 0.0: за извличане искате детерминиран отговор, верен на изходния текст. Също така обърнете внимание на конвертирането на датата във формат ISO, изрично поискано в правилата – без тази инструкция моделът би копирал “May 15, 2026” така, както си е.
Упражнение 3: Класифициране на билети за поддръжка
Последна ситуация: Вашият екип за поддръжка получава некласифицирани билети, които се нуждаят от автоматично пренасочване към правилния отдел. Ключът към това упражнение е изчерпателното дефиниране на категориите и приоритетите в системния промпт. Ако оставите модела да измисли собствена таксономия, всяка партида билети ще излезе с различни категории и Вашето пренасочване ще стане неуправляемо.
messages = [
{
"role": "system",
"content": """You classify technical support tickets.
Available categories:
- BILLING: payment issues, invoices, subscriptions, refunds
- TECHNICAL: bugs, errors, functionality issues, slowness
- ACCOUNT: login, password, settings, account deletion
- FEATURE: requests for new features, suggestions
- OTHER: anything that doesn't fit the categories above
Priorities:
- P1: service inaccessible, data loss, direct financial impact
- P2: degraded functionality, workaround possible
- P3: question, information request, suggestion
Respond ONLY in JSON, no text before or after."""
},
{
"role": "user",
"content": """Classify these 4 tickets:
Ticket A: "Unable to log in since this morning. I tried to
reset my password but I'm not receiving the email."
Ticket B: "Would it be possible to add an Excel export in addition to CSV?"
Ticket C: "I was charged twice for my March subscription."
Ticket D: "The app crashes when I import a file larger than 50 MB.
Error message: MEMORY_EXCEEDED."
Format:
[{"ticket": "A", "category": "", "priority": "", "service": "", "summary": ""}]"""
}
]
response = client.chat.complete(
model="mistral-large-latest",
messages=messages,
temperature=0.0
)
Очакваният резултат – обърнете внимание, че билет C, с прякото си финансово въздействие, отива в P1, докато техническият срив в билет D остава в P2, тъй като съществува заобикалящо решение:
[
{
"ticket": "A",
"category": "ACCOUNT",
"priority": "P2",
"service": "Level 1 Support",
"summary": "Unable to log in, reset email not received"
},
{
"ticket": "B",
"category": "FEATURE",
"priority": "P3",
"service": "Product",
"summary": "Request for Excel export in addition to CSV"
},
{
"ticket": "C",
"category": "BILLING",
"priority": "P1",
"service": "Accounting",
"summary": "Double charge March subscription, refund request"
},
{
"ticket": "D",
"category": "TECHNICAL",
"priority": "P2",
"service": "Development",
"summary": "Crash importing large files (MEMORY_EXCEEDED)"
}
]
Съвети за задачи по анализ
Четири най-добри практики обобщават метода на тази работилница. Работете при температура 0 за класификация и извличане: искате последователност, а не вдъхновение. Дефинирайте категориите изрично в системния промпт, в противен случай моделът ще измисли свои собствени. Винаги включвайте инструкцията “not provided” за липсващи данни, в противен случай моделът ще попълни пропуските с правдоподобни измислици. И преди всяко внедряване, тествайте върху гранични случаи: двусмислени текстове, билети, които попадат в две категории, частични данни – точно там Вашата матрица ще покаже слабости, а не при учебните случаи.
Ключови изводи
- Анализът на текст с Mistral работи най-добре с ниска температура (0-0.2)
- Винаги дефинирайте категориите и формата на изхода в промпта
- Наложете правилото “not provided”, за да избегнете халюцинации
- Few-shot подобрява последователността на класификацията
- Тествайте върху представителни реални случаи, преди да внедрите в продукция