Taller: Extracción estructurada
En esta página
Objetivo del taller
Este taller profundiza en una habilidad presentada en el anterior: la extracción estructurada, que consiste en transformar texto libre en datos utilizables por un programa. Tiende un puente entre el lenguaje natural y tus sistemas de información: la factura recibida en PDF se convierte en una línea en tu software de contabilidad; el artículo de seguimiento, en una entrada del panel de control. Practicarás tres ejercicios con modelos de Mistral: extracción en JSON, resumen de documentos en un formato obligatorio y traducción técnica con preservación del formato. También repasarás dos técnicas de la sección de parámetros: el prellenado del asistente y las secuencias de parada.
Ejercicio 1: Extracción de JSON a partir de texto libre
Escenario inicial: automatizas el procesamiento de facturas recibidas por correo electrónico. El texto varía de un proveedor a otro, pero siempre necesitas extraer los mismos campos. El mensaje de sistema blindará todo lo posible: JSON puro sin comentarios, null para campos faltantes (no «no proporcionado» ni cadenas vacías, ya que tu código comprobará is None), importes como números sin símbolos de moneda, fechas en ISO 8601 e IVA separado del importe antes de impuestos. Cada una de estas reglas evita un error de análisis aguas abajo.
messages = [
{
"role": "system",
"content": """Eres un extractor de datos especializado en documentos contables.
Reglas estrictas:
- Devuelve ÚNICAMENTE JSON válido, sin comentarios ni texto adicional
- Si no se encuentra un campo, usa null (no "no proporcionado", no "")
- Los importes deben ser números (sin símbolo del euro en el valor)
- Fechas en formato ISO 8601 (AAAA-MM-DD)
- El IVA debe extraerse por separado del importe antes de impuestos"""
},
{
"role": "user",
"content": """Extrae los datos de esta factura:
"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"
Esquema JSON:
{
"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}"]
)
# Reconstruye el JSON: "{" + response + "\n}"
Resultado esperado:
{
"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"
}
Observa la combinación de prellenado del asistente (el mensaje "{") y la secuencia de parada: la primera fuerza al modelo directamente al JSON sin preámbulos como «Aquí tienes los datos extraídos:»; la segunda evita que continúe escribiendo tras la llave de cierre. Luego reconstruyes el JSON completo en el lado del código.
Ejercicio 2: Resumen estructurado de documentos
Segundo escenario: alimentas un panel de seguimiento interno con resúmenes de informes extensos. Para garantizar una visualización uniforme, cada resumen debe seguir exactamente el mismo formato; el mensaje de sistema lo impone, campo por campo, con límites de longitud.
messages = [
{
"role": "system",
"content": """Produces resúmenes estructurados para un panel de seguimiento.
Formato obligatorio para cada resumen:
{
"titre_court": "máx. 60 caracteres",
"resume": "máx. 3 frases, factual, sin opiniones",
"impact_business": "low | medium | high",
"secteurs": ["lista de sectores afectados"],
"action_requise": true/false,
"action_detail": "descripción si se requiere acción, null en caso contrario"
}"""
},
{
"role": "user",
"content": """Resume este artículo para nuestro panel de seguimiento:
"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."
Devuelve el JSON estructurado."""
}
]
response = client.chat.complete(
model="mistral-large-latest",
messages=messages,
temperature=0.1
)
Esto es lo que deberías obtener: un resumen factual que condensa sin distorsionar y un campo de acción que convierte el seguimiento en toma de decisiones:
{
"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."
}
Aquí la temperatura sube a 0,1 en lugar de 0,0: un resumen requiere un ligero margen de maniobra en la redacción, a diferencia de la extracción pura, donde cada valor procede directamente del texto fuente.
Ejercicio 3: Traducción técnica con preservación del formato
Tercer escenario: traduces documentación técnica del francés al inglés manteniendo intactos el formato Markdown y los términos técnicos. La trampa de la traducción técnica reside aquí: un traductor demasiado celoso traducirá temperature como «température» en un ejemplo de código, y la documentación dejará de coincidir con la API real. La solución consiste en enumerar explícitamente qué es intocable.
messages = [
{
"role": "system",
"content": """Eres un traductor técnico del francés al inglés.
Reglas:
- Conserva el formato Markdown EXACTAMENTE (encabezados, listas, bloques de código)
- NO traduzcas términos entre comillas invertidas
- NO traduzcas nombres de variables, funciones o parámetros
- Los bloques de código permanecen idénticos (traduce solo los comentarios)
- Adapta las expresiones idiomáticas al contexto técnico en inglés
- Usa inglés americano"""
},
{
"role": "user",
"content": """Traduce este fragmento de documentación:
## 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
)
Para validar el resultado, comprueba punto por punto: los encabezados Markdown (##, ###) se conservan; los términos entre comillas invertidas (mistralai, temperature, top_p, max_tokens) permanecen en inglés; los bloques de código son idénticos salvo el comentario traducido; la negrita (**Important**) se mantiene; y las listas conservan su estructura. Cualquier desviación en uno de estos puntos indica una regla que debes reforzar en el mensaje de sistema.
Técnicas avanzadas para la extracción
Una regla de oro recorre todo este taller: nunca confíes ciegamente en la salida del modelo. Tras la extracción, valida siempre el JSON en el lado del código:
import json
try:
data = json.loads(response.choices[0].message.content)
# Valida los campos obligatorios
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"Campo faltante: {field}")
except json.JSONDecodeError:
print("Respuesta no válida, reintenta con temperature=0")
Y si, a pesar de todo, el modelo no devuelve un JSON válido, sigue una ruta de escalado:
- Reintenta con
temperature=0.0 - Usa el prellenado del asistente para forzar el formato
- Añade un ejemplo (one-shot) de la salida esperada
- Como último recurso, analiza la respuesta con una expresión regular para extraer el JSON
Puntos clave
- El prellenado del asistente y las secuencias de parada garantizan un JSON válido
- Proporciona siempre el esquema JSON exacto en el mensaje
- Temperatura 0 para extracción, 0,1-0,2 para resúmenes
- Valida sistemáticamente la salida en el lado del código
- Para la traducción técnica, enumera explícitamente qué no debe traducirse