声明式提取
在代码中描述方面和概念;框架会生成提取提示词,无需用户手动编写。
ContextGem 是免费的开源 Python 框架,借助大型语言模型和决策模型从文档中提取结构化数据和洞见。它将提示词生成、数据模型验证、来源映射、说明和多步骤编排封装为声明式流程,可重复使用并进行序列化。
用户可以描述希望从文档文本或图像中提取的方面和概念。LLM 可以生成类型化答案和面向推理的值,而决策模型则处理受支持的封闭式问题,例如是/否、标签和评级,并返回可能答案的概率。提取的项目可以链接回源段落或句子,帮助读者查看结果的来源。
在代码中描述方面和概念;框架会生成提取提示词,无需用户手动编写。
以类型化且经过验证的项目返回文本、数字、日期、布尔值、标签、评级和 JSON 对象。
将提取项目映射到支持它们的段落或句子,并可选择为结果提供说明。
围绕方面、子方面和概念组织提取,使模型处理能够聚焦于文档的相关部分。
将每个方面或概念路由到合适的 LLM 或决策模型,并可通过模型组使用模型回退。
对支持的封闭式问题使用决策模型,并接收可能答案的概率,同时支持配置决策阈值。
定义付款条款、费用、异常、实体或其他合同概念,并返回相关段落,同时可选择提供用于审查的说明。
使用布尔值、标签或评级等封闭式问题处理重复的文档批次,适用于快速且成本较低的决策模型答案足以满足需求的场景。
从业务文档中提取日期、数字、标签和 JSON 对象等结构化字段,用于下游 Python 工作流。
通过追踪每个提取项目在报告或协议中出现的段落或句子,调查文档中的发现。
在一个流程中组合不同类型的模型:对开放式或推理要求较高的问题使用 LLM,对适合的封闭式问题使用决策模型。
使用 `uv add contextgem` 或 `pip install -U contextgem` 安装软件包。若要通过 Docling 转换 PDF、DOCX 和其他文件,项目文档提供了 `uv add "contextgem[docling]"`。然后创建一个 `Document`,描述要提取的方面或概念,配置模型,并调用提取流程。
你只需描述要提取的信息,而不是直接编写提示词。ContextGem 会生成提示词,将结果验证为类型化项目,并可附加指向源段落或句子的引用。示例流程使用 `DocumentLLM.extract_all(doc)` 执行提取。
LLM 可以提取开放式值以及需要推理的答案,包括从文本和图像中提取方面与概念类型。决策模型适用于文本中的布尔值、标签和评级等封闭式问题;它们会返回可能答案的概率,而不是生成文本。
该项目通过 LiteLLM 支持云端或本地 LLM,示例包括 OpenAI、Anthropic、Google、Azure OpenAI、xAI、Ollama 和 LM Studio。项目还记录了对决策模型的支持,包括 TypeSafe Jev、OpenAI Decisions API 和 Microsoft Foundry。具体可用性和配置取决于所选提供商。
当前项目元数据要求 Python 3.11 或更高版本且低于 3.15。仓库在 1.0 迁移指南中指出,不再支持 Python 3.10。本地较小的 LLM 可能无法可靠地遵循详细的提取指令,因此文档建议先在部分样本文档上进行测试。
nolainocr 是一款 AI OCR 工具,可从 PDF 发票、收据、表单、合同和银行对账单中提取结构化数据,支持导出到 Excel、Google Sheets、JSON 或 CSV,省去手动录入。
Clairic 是 Cloudflare 的 System One 提取模型,可将非结构化文本和可选图像转换为类型化值、计算字段、估算值与预测结果。模型托管于 Workers AI,面向构建结构化数据及 AI 工作流的开发者。支持最多四张图像输入、文本跨度提取、数值和日期处理、边界估算及时间序列预测,并返回置信度信息。
司马阅是面向企业的AI文档智能体平台,将分散文档中的知识转化为可用于问答、检索、写作和审查的结构化能力,适合对准确性和数据安全要求较高的企业。
Capso 是一款原生 macOS 截图与录屏应用,可用于屏幕捕捉、标注、录制及从屏幕内容中提取文字。永久免费、开源,是 CleanShot X 的替代选择。
Extend 是一款文档处理平台,可将 PDF 和其他文档转为结构化数据,支持通过 API、Studio、Evals、Composer 和 Workflows 进行解析、提取、拆分、分类与路由。
Invited 可将账单、支票、邀请函、续期通知及其他文档中的日期转换为提醒。支持 iPhone 和 Android 上的相机图片、截图、PDF 与共享文件,保存前可审核且无需账户。