Workshop: Strukturierte Extraktion
Auf dieser Seite
Workshop-Ziel
Dieser Workshop baut auf einer Fähigkeit auf, die im vorherigen Workshop eingeführt wurde: der strukturierten Extraktion. Dies bedeutet, freien Text in für Programme verwertbare Daten zu transformieren. Er überbrückt die natürliche Sprache und Ihre Informationssysteme: Die als PDF empfangene Rechnung wird zu einer Zeile in Ihrer Buchhaltungssoftware, der Überwachungsartikel zu einem Eintrag im Dashboard. Sie üben drei Übungen mit Mistral-Modellen durch: JSON-Extraktion, Dokumentenzusammenfassung in einem vorgeschriebenen Format und technische Übersetzung mit Erhaltung der Formatierung. Zudem werden zwei Techniken aus dem Abschnitt zu Parametern wiederholt: die Vorabfüllung des Assistenten und Stop-Sequenzen.
Übung 1: JSON-Extraktion aus freiem Text
Ausgangsszenario: Sie automatisieren die Verarbeitung von Rechnungen, die per E-Mail empfangen werden. Der Text variiert von einem Lieferanten zum anderen, aber Sie müssen immer dieselben Felder extrahieren. Der Systemprompt schränkt alles ein, was möglich ist: reines JSON ohne Kommentare, null für fehlende Felder (nicht „nicht bereitgestellt” oder leere Zeichenfolgen, da Ihr Code is None prüfen wird), Beträge als Zahlen ohne Währungssymbole, Daten im ISO 8601-Format, Mehrwertsteuer getrennt vom Betrag vor Steuer. Jede dieser Regeln verhindert einen nachgelagerten Parsing-Fehler.
messages = [
{
"role": "system",
"content": """Sie sind ein Datenextraktor, der sich auf Buchhaltungsdokumente spezialisiert hat.
Strenge Regeln:
- Geben Sie NUR gültiges JSON zurück, keine Kommentare oder zusätzlichen Text
- Wenn ein Feld nicht gefunden wird, verwenden Sie null (nicht "nicht bereitgestellt", nicht "")
- Beträge müssen Zahlen sein (kein Euro-Symbol im Wert)
- Daten im ISO 8601-Format (JJJJ-MM-TT)
- Mehrwertsteuer muss separat vom Betrag vor Steuer extrahiert werden"""
},
{
"role": "user",
"content": """Extrahieren Sie Daten aus dieser Rechnung:
"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}"]
)
# Rekonstruieren Sie das JSON: "{" + response + "\n}"
Erwartetes Ergebnis:
{
"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"
}
Beachten Sie die Kombination aus der Vorabfüllung des Assistenten (die "{"-Nachricht) und der Stop-Sequenz: Die erste zwingt das Modell direkt in das JSON, ohne Vorabtext wie „Hier sind die extrahierten Daten:”, die zweite verhindert, dass es nach dem geschweiften Klammerzeichen fortfährt. Sie rekonstruieren das vollständige JSON dann auf der Code-Seite.
Übung 2: Strukturierte Dokumentenzusammenfassung
Zweites Szenario: Sie versorgen ein internes Überwachungs-Dashboard mit Zusammenfassungen langer Berichte. Um eine einheitliche Darstellung zu gewährleisten, muss jede Zusammenfassung exakt demselben Format folgen – der Systemprompt erzwingt dies, Feld für Feld, mit Längenbeschränkungen.
messages = [
{
"role": "system",
"content": """Sie erstellen strukturierte Zusammenfassungen für ein Überwachungs-Dashboard.
Pflichtformat für jede Zusammenfassung:
{
"titre_court": "max 60 Zeichen",
"resume": "max 3 Sätze, sachlich, keine Meinungen",
"impact_business": "low | medium | high",
"secteurs": ["Liste der betroffenen Sektoren"],
"action_requise": true/false,
"action_detail": "Beschreibung, wenn Aktion erforderlich, sonst null"
}"""
},
{
"role": "user",
"content": """Fassen Sie diesen Artikel für unser Überwachungs-Dashboard zusammen:
"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."
Geben Sie das strukturierte JSON zurück."""
}
]
response = client.chat.complete(
model="mistral-large-latest",
messages=messages,
temperature=0.1
)
Das ist das, was Sie erhalten sollten – eine sachliche Zusammenfassung, die kondensiert ohne zu verzerren, und ein Aktionsfeld, das Überwachung in Entscheidung verwandelt:
{
"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."
}
Die Temperatur wird hier auf 0,1 statt auf 0,0 gesetzt: Eine Zusammenfassung erfordert eine gewisse Freiheit in der Wortwahl, im Gegensatz zur reinen Extraktion, bei der jeder Wert aus dem Quelltext stammt.
Übung 3: Technische Übersetzung mit Formatierungserhalt
Drittes Szenario: Übersetzen Sie technische Dokumentation von Französisch auf Englisch, während Sie die Markdown-Formatierung und technische Begriffe exakt so belassen. Die Falle bei der technischen Übersetzung liegt hier: Ein zu eifriger Übersetzer würde temperature in einem Codebeispiel als „température” übersetzen, und die Dokumentation würde nicht mehr mit der tatsächlichen API übereinstimmen. Die Lösung besteht darin, explizit aufzulisten, was unantastbar ist.
messages = [
{
"role": "system",
"content": """Sie sind ein technischer Übersetzer von Französisch auf Englisch.
Regeln:
- Bewahren Sie die Markdown-Formatierung EXAKT bei (Überschriften, Listen, Code-Blöcke)
- Übersetzen Sie Begriffe in Backticks NICHT
- Übersetzen Sie Variablen-, Funktions- oder Parameter-Namen NICHT
- Code-Blöcke bleiben identisch (übersetzen Sie nur Kommentare)
- Passen Sie idiomatische Ausdrücke an den englischen technischen Kontext an
- Verwenden Sie American English"""
},
{
"role": "user",
"content": """Übersetzen Sie diesen Abschnitt der Dokumentation:
## Configuration de l'API
Pour commencer, installez le package `mistralai` :
```bash
pip install mistralai
```
### Authentification
Vous devez configurer votre clé API avant tout appel :
```python
# 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
)
Um das Ergebnis zu validieren, prüfen Sie Punkt für Punkt: Markdown-Überschriften (##, ###) werden erhalten, Begriffe in Backticks (mistralai, temperature, top_p, max_tokens) bleiben auf Englisch, Code-Blöcke sind identisch außer dem übersetzten Kommentar, Fett (**Important**) wird erhalten, und Listen behalten ihre Struktur. Jede Abweichung bei einem dieser Punkte signalisiert eine Regel, die im Systemprompt verstärkt werden muss.
Fortgeschrittene Techniken für die Extraktion
Eine goldene Regel zieht sich durch diesen Workshop: Vertrauen Sie dem Ausgabe des Modells niemals blind. Validieren Sie das JSON nach der Extraktion immer auf der Code-Seite:
import json
try:
data = json.loads(response.choices[0].message.content)
# Validieren Sie erforderliche Felder
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")
Und wenn das Modell trotz allem kein gültiges JSON zurückgibt, folgen Sie einem Eskalationspfad:
- Wiederholen Sie den Vorgang mit
temperature=0.0 - Verwenden Sie die Vorabfüllung des Assistenten, um das Format zu erzwingen
- Fügen Sie ein Beispiel (One-Shot) des erwarteten Ergebnisses hinzu
- Als letzte Möglichkeit parsen Sie die Antwort mit einem regulären Ausdruck, um das JSON zu extrahieren
Wichtige Erkenntnisse
- Vorabfüllung des Assistenten und Stop-Sequenzen garantieren gültiges JSON
- Geben Sie immer das exakte JSON-Schema im Prompt an
- Temperatur 0 für Extraktion, 0,1–0,2 für Zusammenfassungen
- Validieren Sie das Ausgabe systematisch auf der Code-Seite
- Bei technischen Übersetzungen listen Sie explizit auf, was nicht übersetzt werden darf