79 lines
1.6 KiB
Markdown
79 lines
1.6 KiB
Markdown
# 规则字段抽取Skill 设计
|
|
|
|
## 1. Skill 定位
|
|
|
|
`规则字段抽取Skill` 负责从标题、段落和固定标签中抽取字段候选值，适合处理格式稳定、标签明确的注册申报字段。
|
|
|
|
英文实现标识建议使用 `RuleFieldExtractSkill`。
|
|
|
|
## 2. 输入
|
|
|
|
```python
|
|
@dataclass
|
|
class RuleFieldExtractInput:
|
|
documents: list[DocumentContent]
|
|
field_definitions: list[FieldDefinition]
|
|
```
|
|
|
|
## 3. 输出
|
|
|
|
```python
|
|
@dataclass
|
|
class RuleFieldExtractOutput:
|
|
candidates: list[FieldCandidate]
|
|
failed_fields: list[dict]
|
|
tool_calls: list[dict]
|
|
```
|
|
|
|
## 4. 抽取方式
|
|
|
|
1. 标题后取值。
|
|
2. 标签后取值。
|
|
3. 固定段落规则。
|
|
4. 正则匹配。
|
|
|
|
## 5. 核心方法
|
|
|
|
### 5.1 `run(input) -> RuleFieldExtractOutput`
|
|
|
|
主入口方法。
|
|
|
|
### 5.2 `extract_by_heading(document, field_definition) -> FieldCandidate | None`
|
|
|
|
从标题结构中抽取。
|
|
|
|
### 5.3 `extract_by_label(document, field_definition) -> FieldCandidate | None`
|
|
|
|
从标签字段中抽取。
|
|
|
|
### 5.4 `extract_by_regex(document, field_definition) -> FieldCandidate | None`
|
|
|
|
使用字段配置中的正则规则抽取。
|
|
|
|
### 5.5 `build_candidate(field, value, source) -> FieldCandidate`
|
|
|
|
构建字段候选。
|
|
|
|
## 6. 技术实现
|
|
|
|
使用技术：
|
|
|
|
1. `re`
|
|
2. 文本结构解析结果
|
|
3. 中文标点标准化
|
|
|
|
## 7. 异常处理
|
|
|
|
1. 文本为空：跳过该文档。
|
|
2. 多个候选：全部保留。
|
|
3. 正则异常：记录工具失败。
|
|
4. 候选值过长：标记待复核。
|
|
|
|
## 8. 测试要点
|
|
|
|
1. 能从标题抽取产品名称。
|
|
2. 能从标签抽取储存条件。
|
|
3. 多候选值全部保留。
|
|
4. 空文本不报错。
|
|
|