Műhely: Strukturált kinyerés
Ezen az oldalon
A műhely célja
Ez a műhely az előző alkalommal bemutatott készségre épít: a strukturált kinyerésre, ami azt jelenti, hogy szabad szöveget program által használható adattá alakítasz. Ez hidalja át a természetes nyelvet és az információs rendszereidet – a PDF-ben érkezett számla sorrá válik a könyvelő szoftveredben, a monitoring cikk pedig bejegyzéssé a vezérlőpultodon. Három gyakorlatot végzel el Mistral modellekkel: JSON-kinyerést, dokumentum-összefoglalást előírt formátumban, valamint technikai fordítást a formázás megőrzésével. Emellett újra átvesszük a paraméterek szakaszból ismert két technikát: az asszisztens előtöltését és a leállítási szekvenciákat.
1. gyakorlat: JSON kinyerése szabad szövegből
Kiinduló helyzet: automatizálod az e-mailben érkezett számlák feldolgozását. A szöveg szállítónként változik, de neked mindig ugyanazokat a mezőket kell kinyerned. A rendszerprompt leszögez mindent, amit lehet: tiszta JSON, kommentárok nélkül; null a hiányzó mezők esetén (nem „nem elérhető“ vagy üres karakterlánc, mivel a kódod az is None értéket ellenőrzi); az összegek számokként, pénznemjelzés nélkül; a dátumok ISO 8601 formátumban; az ÁFA külön kinyerve az adóalapból. E szabályok mindegyike egy downstream parszolási hibát előz meg.
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}"
Várt eredmény:
{
"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"
}
Figyeld meg az asszisztens előtöltés (a "{" üzenet) és a leállítási szekvencia kombinációját: az első közvetlenül JSON módba kényszeríti a modellt, olyan bevezetők nélkül, mint „Íme a kinyert adatok:“, a második pedig megakadályozza, hogy a modell folytassa a záró kapcsos zárójel után. A teljes JSON-t ezt követően a kód oldalán állítod helyre.
2. gyakorlat: Strukturált dokumentum-összefoglalás
Második forgatókönyv: egy belső monitoring vezérlőpultot töltesz fel hosszú jelentések összefoglalóival. Az egységes megjelenítés biztosítása érdekében minden összefoglalónak pontosan ugyanazt a formátumot kell követnie – a rendszerprompt ezt mezőről mezőre, hosszkorlátokkal érvényesíti.
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
)
Íme, amit kapnod kell: egy tényeken alapuló összefoglaló, amely torzítás nélkül sűríti az információt, valamint egy cselekvési mező, amely a monitoringot döntéshozatallá alakítja:
{
"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."
}
Itt a hőmérséklet (temperature) 0,1-re van állítva 0,0 helyett: egy összefoglalóhoz szükség van némi szabadságra a megfogalmazásban, ellentétben a tiszta kinyeréssel, ahol minden érték közvetlenül a forrásszövegből származik.
3. gyakorlat: Technikai fordítás formátummegőrzéssel
Harmadik forgatókönyv: fordíts le technikai dokumentációt franciáról angolra, miközben pontosan megőrzöd a Markdown formázást és a szakszavakat. A technikai fordítás csapdája itt rejlik: egy túlbuzgó fordító lefordítja a temperature szót „température“-re egy kódpéldában, és a dokumentáció többé nem fog egyezni a valós API-val. A megoldás, ha explicit felsorolod, mi érintetlen marad.
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 )
Az eredmény ellenőrzéséhez pontonként haladj végig: a Markdown fejlécek (`##`, `###`) megmaradnak, a backtickben lévő kifejezések (`mistralai`, `temperature`, `top_p`, `max_tokens`) angolul maradnak, a kódblokkok azonosak (kivéve a lefordított kommentárt), a félkövér kiemelés (`**Important**`) megmarad, és a listák megtartják szerkezetüket. Bármely eltérés ezen pontok közül azt jelzi, hogy a rendszerpromptban meg kell erősíteni egy szabályt.
## Haladó technikák kinyeréshez
Egy aranyszabály húzódik végig ezen a műhelyen: soha ne bízz vakon a modell kimenetében. Kinyerés után mindig érvényesítsd a JSON-t a kód oldalán:
```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")
Ha pedig minden ellenére a modell nem ad vissza érvényes JSON-t, kövess egy eszkalációs útvonalat:
- Próbáld újra
temperature=0.0értékkel. - Használj asszisztens előtöltést a formátum kikényszerítésére.
- Adj hozzá egy példát (one-shot) a várt kimenetről.
- Utolsó lehetőségként parszold a választ reguláris kifejezéssel a JSON kinyeréséhez.
Főbb megállapítások
- Az asszisztens előtöltés és a leállítási szekvenciák garantálják az érvényes JSON-t.
- Mindig add meg a pontos JSON-sémát a promptban.
- Kinyeréshez 0-s hőmérséklet, összefoglaláshoz 0,1–0,2.
- Rendszeresen érvényesítsd a kimenetet a kód oldalán.
- Technikai fordításnál explicit sorold fel, mit nem szabad lefordítani.