Работилница: Структурирано извличане
На тази страница
Цел на работилницата
Тази работилница надгражда умение, въведено в предишната: структурираното извличане, което означава трансформиране на свободен текст в данни, използваеми от програма. То служи за мост между естествения език и Вашите информационни системи – фактурата, получена като PDF, се превръща в ред във Вашето счетоводно програмно осигуряване, а статията за мониторинг става запис в таблото за управление. Ще практикувате три упражнения с модели на Mistral: извличане на JSON, обобщаване на документи в наложен формат и технически превод със запазване на форматирането. Също така ще прегледате две техники от раздела с параметрите: предварително попълване от асистента и стоп-последователности.
Упражнение 1: Извличане на JSON от свободен текст
Начален сценарий: автоматизирате обработката на фактури, получени по имейл. Текстът варира от доставчик до доставчик, но винаги трябва да извлечете едни и същи полета. Системният промпт заключва всичко възможно: чист JSON без коментари, null за липсващи полета (не „не е предоставено“ или празни низове, тъй като Вашият код ще проверява is None), суми като числа без валутни символи, дати във формат ISO 8601, ДДС отделено от сумата без данък. Всяко от тези правила предотвратява бъг при последващо анализиране.
messages = [
{
"role": "system",
"content": """You are a data extractor specialized in accounting documents.
Strict rules:
- Return ONLY valid JSON, no comments or additional text
- If a field is not found, use null (not "not provided", not "")
- Amounts must be numbers (no euro symbol in the value)
- Dates in ISO 8601 format (YYYY-MM-DD)
- VAT must be extracted separately from the pre-tax amount"""
},
{
"role": "user",
"content": """Extract data from this invoice:
"FACTURE N° 2026-0847
Date : 15 mars 2026
De : CloudServ SAS
42 rue de la Paix, 75002 Paris
SIRET : 823 456 789 00012
À : TechCorp SARL
12 avenue des Champs, 69001 Lyon
Désignation : Hébergement cloud - Pack Premium
Période : 01/03/2026 au 31/03/2026
Montant HT : 1 250,00 EUR
TVA 20% : 250,00 EUR
Total TTC : 1 500,00 EUR
Conditions de paiement : 30 jours fin de mois
IBAN : FR76 3000 4000 0500 0001 2345 678"
JSON Schema:
{
"numero_facture": "string",
"date_facture": "string (YYYY-MM-DD)",
"fournisseur": {
"nom": "string",
"adresse": "string",
"siret": "string"
},
"client": {
"nom": "string",
"adresse": "string"
},
"lignes": [
{
"designation": "string",
"periode": "string",
"montant_ht": "number"
}
],
"tva_taux": "number",
"tva_montant": "number",
"total_ttc": "number",
"conditions_paiement": "string",
"iban": "string"
}"""
},
{
"role": "assistant",
"content": "{"
}
]
response = client.chat.complete(
model="mistral-large-latest",
messages=messages,
temperature=0.0,
stop=["\n}"]
)
# Reconstruct the JSON: "{" + response + "\n}"
Очакван резултат:
{
"numero_facture": "2026-0847",
"date_facture": "2026-03-15",
"fournisseur": {
"nom": "CloudServ SAS",
"adresse": "42 rue de la Paix, 75002 Paris",
"siret": "823 456 789 00012"
},
"client": {
"nom": "TechCorp SARL",
"adresse": "12 avenue des Champs, 69001 Lyon"
},
"lignes": [
{
"designation": "Hébergement cloud - Pack Premium",
"periode": "01/03/2026 au 31/03/2026",
"montant_ht": 1250.00
}
],
"tva_taux": 20,
"tva_montant": 250.00,
"total_ttc": 1500.00,
"conditions_paiement": "30 jours fin de mois",
"iban": "FR76 3000 4000 0500 0001 2345 678"
}
Забележете комбинацията от предварително попълване от асистента (съобщението "{") и стоп-последователността: първото насочва модела директно към JSON без уводни фрази като „Ето извлечените данни:“, а второто предотвратява продължаването след затварящата скоба. След това реконструирате пълния JSON от страната на кода.
Упражнение 2: Структурирано обобщаване на документи
Втори сценарий: захранвате вътрешно табло за мониторинг с обобщения на дълги доклади. За да осигурите еднакво визуализиране, всяко обобщение трябва да следва точно един и същ формат – системният промпт налага това поле по поле, с ограничения за дължина.
messages = [
{
"role": "system",
"content": """You produce structured summaries for a monitoring dashboard.
Mandatory format for each summary:
{
"titre_court": "max 60 characters",
"resume": "max 3 sentences, factual, no opinion",
"impact_business": "low | medium | high",
"secteurs": ["list of affected sectors"],
"action_requise": true/false,
"action_detail": "description if action required, null otherwise"
}"""
},
{
"role": "user",
"content": """Summarize this article for our monitoring dashboard:
"L'Union européenne a adopté le 28 mars 2026 un nouveau règlement sur
l'intelligence artificielle (AI Act 2.0) qui renforce les obligations de
transparence pour les systèmes de génération de texte et d'images. Les
entreprises qui déploient des modèles de plus de 10 milliards de paramètres
devront désormais publier un rapport d'évaluation des risques trimestriel et
mettre en place un système de traçabilité des contenus générés. Les sanctions
pour non-conformité peuvent atteindre 6% du chiffre d'affaires mondial annuel.
Le règlement entre en vigueur le 1er janvier 2027, avec une période de
transition de 6 mois pour les entreprises déjà en activité. Les PME de moins
de 50 salariés bénéficient d'un régime allégé avec des obligations réduites
de reporting."
Return the structured JSON."""
}
]
response = client.chat.complete(
model="mistral-large-latest",
messages=messages,
temperature=0.1
)
Ето какво трябва да получите – фактологично обобщение, което кондензира информацията без изкривяване, и поле за действие, което превръща мониторинга в решение:
{
"titre_court": "AI Act 2.0 : nouvelles obligations de transparence IA",
"resume": "L'UE adopte un renforcement de l'AI Act imposant des rapports trimestriels pour les grands modèles. Les sanctions atteignent 6% du CA mondial. Entrée en vigueur le 1er janvier 2027 avec régime allégé pour les PME.",
"impact_business": "élevé",
"secteurs": ["intelligence artificielle", "technologie", "réglementation"],
"action_requise": true,
"action_detail": "Évaluer la conformité de nos modèles et planifier la mise en place du reporting trimestriel avant janvier 2027."
}
Тук температурата се повишава до 0.1 вместо 0.0: обобщаването изисква лека свобода във формулировките, за разлика от чистото извличане, където всяка стойност идва директно от изходния текст.
Упражнение 3: Технически превод със запазване на формата
Трети сценарий: преведете техническа документация от френски на английски, като запазите точно Markdown форматирането и техническите термини. Капанът в техническия превод е следният: прекалено ревностен преводач ще преведе temperature като „температура“ в пример с код и документацията вече няма да съответства на действителния API. Решението е изрично да изброите какво е неприкосновено.
messages = [
{
"role": "system",
"content": """You are a technical translator from French to English.
Rules:
- Preserve Markdown formatting EXACTLY (headers, lists, code blocks)
- Do NOT translate terms in backticks
- Do NOT translate variable, function, or parameter names
- Code blocks remain identical (translate comments only)
- Adapt idiomatic expressions to the English technical context
- Use American English"""
},
{
"role": "user",
"content": """Translate this documentation passage:
## Configuration de l'API
Pour commencer, installez le package `mistralai` :
```bash
pip install mistralai
Authentification
Vous devez configurer votre clé API avant tout appel :
# Initialisation du client Mistral
client = Mistral(api_key="votre-clé")
Important : ne stockez jamais votre clé API en dur dans le code. Utilisez plutôt des variables d’environnement ou un gestionnaire de secrets.
Paramètres disponibles
temperature: contrôle la créativité (défaut : 0.7)top_p: filtrage par probabilité cumulée (défaut : 1.0)max_tokens: limite de tokens en sortie""" } ]
response = client.chat.complete( model=“mistral-large-latest”, messages=messages, temperature=0.2 )
За да валидирате резултата, проверете точка по точка: Markdown заглавията (`##`, `###`) са запазени, термините в обратни кавички (`mistralai`, `temperature`, `top_p`, `max_tokens`) остават на английски, блоковите с код са идентични с изключение на преведения коментар, удебеленият текст (`**Important**`) е запазен, а списъците запазват структурата си. Всяко отклонение по някоя от тези точки сигнализира за правило, което трябва да се подсили в системния промпт.
## Разширени техники за извличане
Едно златно правило пронизва цялата тази работилница: никога не се доверявайте сляпо на изхода на модела. След извличането винаги валидирайте JSON от страната на кода:
```python
import json
try:
data = json.loads(response.choices[0].message.content)
# Validate required fields
required_fields = ["numero_facture", "date_facture", "total_ttc"]
for field in required_fields:
if field not in data or data[field] is None:
print(f"Missing field: {field}")
except json.JSONDecodeError:
print("Invalid response, retry with temperature=0")
И ако въпреки всичко моделът не върне валиден JSON, следвайте йерархия на действията:
- Опитайте отново с
temperature=0.0 - Използвайте предварително попълване от асистента, за да наложите формата
- Добавете пример (one-shot) на очаквания изход
- Като последна мярка, анализирайте отговора с регулярен израз (regex), за да извлечете JSON
Ключови изводи
- Предварителното попълване от асистента и стоп-последователностите гарантират валиден JSON
- Винаги предоставяйте точната JSON схема в промпта
- Температура 0 за извличане, 0.1–0.2 за обобщения
- Систематично валидирайте изхода от страната на кода
- За технически превод изрично избройте какво не трябва да се превежда