Przejdź do głównej treści
Polski— Wybierz język
Menu

Ekstrakcja i walidacja z wykorzystaniem narzędzi

Lekcja 10 z 12 Zaktualizowano 30 lipca 2026 Programista
Na tej stronie
  1. Budowanie niezawodnych potoków ekstrakcji
  2. Wzorzec: wzbogacona ekstrakcja
  3. Wzorzec: krzyżowa walidacja
  4. Wzorzec: obliczenia i strukturyzacja
  5. Architektura solidnego potoku
  6. Obsługa błędów w środowisku produkcyjnym
  7. Kluczowe wnioski

Budowanie niezawodnych potoków ekstrakcji

Łącząc ustrukturyzowane dane wyjściowe z narzędziami (wyszukiwanie w sieci, wykonywanie kodu), możesz zbudować solidne potoki ekstrakcji i walidacji. Ta lekcja pokazuje, jak zaprojektować takie potoki do użytku produkcyjnego.

Wzorzec: wzbogacona ekstrakcja

Najczęstszym wzorcem jest wzbogacanie ekstrakcji danych za pomocą wyszukiwania w sieci. Zaczynasz od surowego tekstu, a model ekstrahuje encje, a następnie wzbogaca je o informacje znalezione w internecie.

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"}]
)

Wzorzec: krzyżowa walidacja

Krzyżowa walidacja wykorzystuje wyszukiwanie w sieci do weryfikacji informacji wyekstrahowanych z dokumentu:

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}")

Wzorzec: obliczenia i strukturyzacja

Połącz wykonywanie kodu do obliczeń z ustrukturyzowanymi danymi wyjściowymi do formatowania:

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")

Architektura solidnego potoku

Do użytku produkcyjnego podziel swój potok na etapy:

# Krok 1: Ekstrakcja surowa
class ExtractionBrute(BaseModel):
    entites: list[str]
    dates: list[str]
    montants: list[str]

# Krok 2: Wzbogacenie
class EntiteEnrichie(BaseModel):
    nom: str
    type: str
    details: str

# Krok 3: Walidacja
class ResultatValide(BaseModel):
    entites: list[EntiteEnrichie]
    score_qualite: float
    alertes: list[str]

Każdy krok wykorzystuje osobne wywołanie z dopasowanym schematem. Takie podejście modułowe upraszcza debugowanie i monitorowanie.

Obsługa błędów w środowisku produkcyjnym

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:
    # Awaryjne działanie bez wyszukiwania w sieci
    response, parsed = client.chat.parse(
        model="grok-4.20-0309-reasoning",
        messages=messages,
        response_format=MonSchema
    )

Kluczowe wnioski

  • Wzbogacona ekstrakcja łączy wyszukiwanie w sieci z ustrukturyzowanymi danymi wyjściowymi, aby uzyskać kompletne dane.
  • Krzyżowa walidacja weryfikuje fakty za pomocą wyszukiwania w sieci.
  • Wykonywanie kodu zapewnia dokładne obliczenia w potokach finansowych.
  • Podział na osobne etapy zwiększa solidność i ułatwia debugowanie.
  • Zawsze planuj rozwiązanie awaryjne na wypadek awarii narzędzi.