Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Extração e Validação com Ferramentas

Aula 10 de 12 Atualizada a 30 de julho de 2026 Programador
Nesta página
  1. Construa pipelines de extração fiáveis
  2. Padrão: extração enriquecida
  3. Padrão: validação cruzada
  4. Padrão: cálculo e estruturação
  5. Arquitetura de um pipeline robusto
  6. Gestão de erros em produção
  7. Pontos-chave

Construa pipelines de extração fiáveis

Ao combinar saídas estruturadas com ferramentas (pesquisa na web, execução de código), pode construir pipelines robustos de extração e validação. Esta lição demonstra como arquitetar estes pipelines para uso em produção.

Padrão: extração enriquecida

O padrão mais comum consiste em enriquecer a extração de dados com pesquisa na web. Começa com texto bruto, o modelo extrai as entidades e, em seguida, enriquece-as com informações encontradas 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"}]
)

Padrão: validação cruzada

A validação cruzada utiliza a pesquisa na web para verificar as informações extraídas de um documento:

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}")

Padrão: cálculo e estruturação

Combine a execução de código para cálculos e saídas estruturadas para formatação:

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")

Arquitetura de um pipeline robusto

Para uso em produção, estruture o seu pipeline em etapas:

# 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]

Cada etapa utiliza uma chamada separada com um esquema adaptado. Esta abordagem modular simplifica a depuração e a monitorização.

Gestão de erros em produção

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
    )

Pontos-chave

  • A extração enriquecida combina pesquisa na web + saídas estruturadas para obter dados completos
  • A validação cruzada verifica factos através de pesquisa na web
  • A execução de código garante cálculos exatos em pipelines financeiros
  • Estruture em etapas separadas para garantir robustez e facilitar a depuração
  • Planeie sempre um mecanismo de contingência caso as ferramentas falhem