微信扫码
添加专属顾问
我要投稿
从现有候选文档集推断出模式。您可以选择稍后编辑此模式。
根据指定的模式(无论是从上一步推断出来的、由人类指定的,或两者兼有)从一组文档中提取值。
LlamaExtract 目前处于 beta 阶段,这意味着它是一个我们正在努力改进的实验性功能,使其更普遍可扩展和可用。请将任何问题报告到我们的 Github!
我们正在对 UI 进行一些核心改进,例如将模式推断和提取解耦,允许用户预定义模式等。有关更多灵活性,请查看下面的 API。
pip install llama-extract
pythonfrom llama_extract import LlamaExtract
extractor = LlamaExtract()
extraction_schema = extractor.infer_schema("Test Schema", ["./file1.pdf","./file2.pdf"])
from pydantic import BaseModel, Field
classResumeMetadata(BaseModel):
"""Resume metadata."""
years_of_experience: int= Field(..., description="Number of years of work experience.")
highest_degree: str= Field(..., description="Highest degree earned (options: High School, Bachelor's, Master's, Doctoral, Professional)")
professional_summary: str= Field(..., description="A general summary of the candidate's experience")
extraction_schema = extractor.create_schema("Test Schema", ResumeMetadata)
无论您如何获得模式,现在都可以执行提取:
extractions = extractor.extract(extraction_schema.id, ["./file3.pdf","./file4.pdf"])
您可以看到提取的数据:
print(extractions[0].data)
场景用例
简历:从候选人的个人资料中提取结构化注释,如学校、工作经历、工作经验年限。
收据和发票:提取行项目、总价和其他数字。
产品页面:根据用户定义的模式结构化和分类您的产品。
53AI,企业落地大模型首选服务商
产品:场景落地咨询+大模型应用平台+行业解决方案
承诺:免费场景POC验证,效果验证后签署服务协议。零风险落地应用大模型,已交付160+中大型企业
2025-07-05
忽视Embedding?你的RAG正在暗坑里裸奔!
2025-07-04
向量相似度检索遇到天花板,是否我们走错了?
2025-07-04
爆改RAG检索力:三大Query变形术,助你玩转AI知识检索!
2025-07-04
爆改RAG!HyDE:让你的AI检索像“脑补”一样聪明
2025-07-04
爆改RAG!层次化索引让你的AI检索“又快又准”
2025-07-03
【AI产品】常见RAG框架
2025-07-03
企业RAG实战之探索Function Calling(函数调用)实现智能客服系统
2025-07-03
爆改RAG检索体验:向量+关键词,双剑合璧的“融合检索”实战指南
2025-04-13
2025-04-19
2025-04-09
2025-04-16
2025-05-08
2025-04-23
2025-04-09
2025-04-08
2025-04-10
2025-04-16
2025-07-04
2025-07-01
2025-07-01
2025-07-01
2025-07-01
2025-06-30
2025-06-29
2025-06-20