生成式提取程序 - 良好做法

备注：

• 为了提高稳定性，提示的数量限制为最多 50 个。
• 响应（即提取结果，也称为完成）字数限制为 700。也就是不得超过 700 个单词。这意味着您无法从单个提示词中提取超过 700 个单词。如果您的提取要求超过此限制，您可以将文档拆分为多个页面，单独处理，然后合并结果。

使用精确的语言

假设您正在向四五个不同的人询问您想在生成式提示中提出的问题。 如果您可以想象这些人会给出略有不同的答案，则说明您的用语过于歧义，您需要重新措辞以使其更加精确。

指定输出格式

为了使您的问题更具体，请要求提取程序以标准化格式返回答案。这可以减少歧义，提高回复准确性并简化下游处理。

例如，如果您要求生成式提示获取一个日期，请指定您希望如何返回日期： return date in yyyy-mm-dd format 。 如果您只需要年份，请指定： return the year, as a four digit number 。

您也可以将此方法用于数字。例如，您可以指定：return numbers which appear in parentheses as negative 或 return number in ##,###.## format 来标准化小数分隔符和千位分隔符，以便更轻松地进行下游处理。

提供预期选项

格式化的一种特殊情况是答案是一组已知的可能答案之一。

例如，在申请表上，您可能会问：What is the applicant’s marital status? Possible answers: Married, Unmarried, Separated, Divorced, Widowed, Other.

这不仅简化了下游处理，还提高了回复的准确性。

分步操作

为了最大限度地提高准确性，请将复杂的问题分解为简单的步骤。您不应询问 What is the termination date of this contract?，而应询问 First find termination section of contract, then determine termination date, then return date in yyyy-mm-dd format.

有很多方法可以用于分解问题。您甚至可以将请求编写为小型计算机 程序，如下 所示：

Execute the following program:

1: Find termination section or clause

2: Find termination date

3: Return termination date in yyyy-mm-dd format

4: Stop

定义所需的编程样式（甚至可能使用 JSON 或 XML 语法）会强制生成式模型使用其编程技能，从而提高遵循说明的准确性。

避免算术或逻辑问题

不要要求提取程序执行求和、乘法、减法、比较或任何其他算术运算，因为它会犯基本错误，并且处理速度非常慢且成本高昂。而简单的机器人工作流永远不会出错，并且速度更快，成本更低。

出于上述相同原因，请勿要求其执行复杂的“if-then-else”类型逻辑。机器人工作流将更加准确和高效地处理此类运算。

表格

生成提取程序当前不支持列字段。 尽管您也许能够通过常规问题提取较小的表格并解析其输出，但请注意，这只是一种解决方法，并且存在限制。 它不是为提取通用的任意大表而设计的，也不建议用于提取通用的任意大的表。

对于生成式提取程序来说，从表格中提取数据是一个挑战，因为生成式 AI 技术处理的是文本的线性字符串，并且不理解图像中的可视二维信息。但是，您仍然可以从表格中提取数据，如以下示例中概述，至少可用 2 种不同方法中进行选择：

• 一种方法是要求生成式提取程序单独返回各列，然后您在工作流中自行组合行。在这种情况下，您可能会问：Please return the Unit Prices on this invoice, as a list from top to bottom, as a list in the format [<UnitPrice1>, <UnitPrice2>,…]
• 另一种方法是要求它将每一行作为 JSON 对象单独返回。在这种情况下，您可能会问：Please return the line items of this invoice as an JSON array of JSON objects, each object in format: {"description”: <description>, “quantity”:<quantity>, “unit_price”:<unit price>, “amount”:<amount>}。

可信度

生成式 AI 模型不就预测提供置信度级别。但是，以检测错误为目标时，置信度级别只是实现该目标的一种可能方法，并不是最佳方法。检测错误的一种更好、更可靠的方法是以多种不同的方式提出同一个问题。问题陈述的差异越大越好。如果所有答案都趋于一致，则出错的可能性非常低。如果答案不一致，则出错的可能性很高。

例如，您可以将同一个问题重复两次、三次甚至五次（具体取决于程序中避免未捕获错误的重要性），并以不同的组合方式结合上述建议。 如果所有响应都一致，则可能不需要人工审核。 但是，如果任何回复不同，则可能需要 Action Center 中的工作人员进行手动审核。