Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Εξαγωγή και Επικύρωση με Εργαλεία

Μάθημα 10 / 12 Ενημερώθηκε 30 Ιουλίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Δημιουργία αξιόπιστων αγωγών εξαγωγής
  2. Πρότυπο: Εμπλουτισμένη εξαγωγή
  3. Πρότυπο: Διασταυρωμένη επικύρωση
  4. Πρότυπο: Υπολογισμός και δομή
  5. Αρχιτεκτονική ενός ισχυρού αγωγού
  6. Διαχείριση σφαλμάτων σε παραγωγικό περιβάλλον
  7. Βασικά σημεία

Δημιουργία αξιόπιστων αγωγών εξαγωγής

Συνδυάζοντας δομημένες εξόδους με εργαλεία (αναζήτηση στον ιστό, εκτέλεση κώδικα), μπορείτε να δημιουργήσετε ισχυρούς αγωγούς εξαγωγής και επικύρωσης. Αυτό το μάθημα δείχνει πώς να αρχιτεκτονείτε αυτούς τους αγωγούς για χρήση σε παραγωγικό περιβάλλον.

Πρότυπο: Εμπλουτισμένη εξαγωγή

Το πιο συνηθισμένο πρότυπο είναι ο εμπλουτισμός της εξαγωγής δεδομένων μέσω αναζήτησης στον ιστό. Ξεκινάτε με ακατέργαστο κείμενο και το μοντέλο εξάγει οντότητες, τις οποίες στη συνέχεια εμπλουτίζει με πληροφορίες που βρίσκει online.

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"}]
)

Πρότυπο: Διασταυρωμένη επικύρωση

Η διασταυρωμένη επικύρωση χρησιμοποιεί την αναζήτηση στον ιστό για να επαληθεύσει πληροφορίες που εξήχθησαν από ένα έγγραφο:

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}")

Πρότυπο: Υπολογισμός και δομή

Συνδυάστε την εκτέλεση κώδικα για υπολογισμούς και τις δομημένες εξόδους για μορφοποίηση:

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")

Αρχιτεκτονική ενός ισχυρού αγωγού

Για χρήση σε παραγωγικό περιβάλλον, δομήστε τον αγωγό σας σε βήματα:

# 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]

Κάθε βήμα χρησιμοποιεί μια ξεχωριστή κλήση με ένα προσαρμοσμένο σχήμα. Αυτή η αρθρωτή προσέγγιση απλοποιεί την αποσφαλμάτωση και την παρακολούθηση.

Διαχείριση σφαλμάτων σε παραγωγικό περιβάλλον

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
    )

Βασικά σημεία

  • Η εμπλουτισμένη εξαγωγή συνδυάζει την αναζήτηση στον ιστό με τις δομημένες εξόδους για πλήρη δεδομένα
  • Η διασταυρωμένη επικύρωση επαληθεύει γεγονότα μέσω αναζήτησης στον ιστό
  • Η εκτέλεση κώδικα διασφαλίζει ακριβείς υπολογισμούς σε οικονομικούς αγωγούς
  • Δομήστε σε ξεχωριστά βήματα για ευρωστία και αποσφαλμάτωση
  • Σχεδιάζετε πάντα έναν εναλλακτικό μηχανισμό για την περίπτωση που τα εργαλεία αποτύχουν