大模型如何實現自然語言轉換成結構化語言（信息提取 - 參數提取）

背景：

=======

本人傳統產品經理，近期對 AI 興趣很濃，瞭解基本原理，逐步上手嘗試。

沒碰過代碼的我，運用嗶哩嗶哩一些課程、deepseek 等工具，實現了大模型的很多應用 demo，然後再找開發實現。走了一遍發現，有手就會，還挺有意思，今天分享信息提取的一個應用點。

目的：

近期嘗試大模型在實際業務系統有哪些應用，其中一個基礎功能點就是信息提取。

比如希望做 AI 智能搜索，用戶輸入一段話，系統自動解析內容自動搜索，替代原來一個個點擊篩選條件動作（傳統 ERP 常見的搜索方式）。

     圖 1——傳統 ERP 搜索頁面

舉例用戶輸入一段話：幫我查詢張三購買的 01 房源，收款了 100 萬元，模型轉換成：客戶姓名：張三；房源：01 房源；單據類型：收款；金額：100 萬元。

結構化輸出 JSON 格式數據後，前端就可以解析賦值到條件裏面，自動完成搜索。

關鍵難點就是用戶輸入內容的提取。

用 deepseek 查閱網上資料，最終實現了精準提取，效果還不錯，但也踩了很多坑，記錄下來，後續業務系統其他需求也會用得上，比如用戶上傳 pdf 合同，借用大模型可以解析語義，提取參數，數據可有很多應用方向。

模型提取參數實際三種方式，工具調用、提示詞 JSON 限制、提示詞直接提取。

      圖 2——大模型信息提取的三種方式

但實際生產應用需要大模型穩定發揮，所以重點使用第一個方法，工具調用。

後兩種就是給一個提示詞告訴大模型有一段話要提取參數，大模型一般也能提取出來，但是我要求的 JSON 格式它總是不穩定輸出，或是隨意發揮增加文字輸出，造成業務系統傳統代碼拿到數據無法解析。

實現邏輯：

    上述說明使用工具調用，具體有以下 6 個步驟，

步驟 1、定義工具：使用 Pydantic 模型定義要提取的結構化數據，並轉換爲 OpenAI 工具格式

（通過 convert_to_openai_tool），再綁定大模型。

步驟 2、構建提示：包括系統提示（指示模型作爲抽取專家）和用戶輸入。

步驟 3、調用模型：將提示和工具描述一起發送給模型。

步驟 4、型推理：模型根據用戶輸入和工具描述，識別出需要調用工具，並生成符合工具參數要求的參數（結構化數據）。

步驟 5、模型返回：返回的結果中包含 tool_calls 字段，其中是模型生成的工具調用結構（函數名和參數）。

步驟 6、程序解析：我們解析這個結構，得到參數。

    核心是因爲大模型只有文字輸出能力，它是不具備工具調用等能力的，如果要給大模型擴充這個能力，就需要運用到 openAI 開發好的工具調用模式。

實現代碼：

    因通過 key 調用大模型會產生 token 有費用，下述就使用本地模型進行實現。

本地模型（ollama、qwen3:0.6b）（此步驟可問 deepseek 如何安裝）

1、先導入必備的庫

import requests
from pydantic import BaseModel, Field
from typing import Optional, Literal
from langchain_core.utils.function_calling import convert_to_openai_tool

2、自己需提取的參數，進行定義，放置類中；

classPerson(BaseModel):
"""結構化參數提取模型定義（Pydantic Schema）
    說明：此模型定義了大模型需要提取的結構化字段及其約束條件
    爲何使用工具模式：這正是圖片中描述的工具調用模式的核心要素 - 預定義輸出結構"""

    customerName: Optional[str]= Field(default=None, description="客戶姓名")
    houseName: Optional[str]= Field(default=None, description="房源名稱")
    documentTypeId: Optional[Literal["S01","S02","S03","S04"]]= Field(
        default=None,
        description="款項類型：收款→S01;退款→S02;轉款→S03;劃撥→S04"
)

3、工具調用 + 工具綁定大模型 + 調用本地大模型

defget_response_1t(mess):
"""調用本地 Ollama 部署的 Qwen3 模型
    說明：此函數核心實現了圖片中的【工具/函數調用模式】
    驗證點：通過 convert_to_openai_tool 實現模式轉換，並通過 tools 參數傳遞給大模型"""

# 關鍵實現：將 Pydantic 模型轉換爲工具調用格式（工具調用模式核心步驟）
# 對比圖片中的模式說明：這正是"工具/函數調用模式"的典型實現
    tool = convert_to_openai_tool(Person)

# 構建符合工具調用模式的請求體
    payload ={
"model":"qwen3:0.6b",# 使用支持工具調用的模型（圖片中模式1的要求）
"messages": mess,# 用戶輸入消息
"tools":[tool],# 關鍵：傳遞工具定義（區別於JSON模式）
"stream":False# 非流式響應
}

try:
# 發送請求到 Ollama API（實現工具調用模式的核心交互）
        response = requests.post(OLLAMA_API_URL, json=payload)
        response.raise_for_status()# 確保HTTP請求成功
return response.json()# 返回包含結構化參數的響應
except requests.exceptions.RequestException as e:
print(f"調用本地模型時出錯: {e}")
returnNone

4、構建提示詞，系統提示詞和用戶輸入；注意：提示詞很重要，限制隨意輸出。

defprompt_ty(input):
"""構建提示模板（增強工具調用模式的效果）
    作用：指導大模型專注於參數提取，不生成額外內容
    與工具模式的關係：補充說明但非核心（工具模式本身已有結構定義）"""

# 系統提示（配合工具模式使用）
    pro_sys =(
"您是一個專家級信息提取算法，僅從文本中提取相關信息，未知字段返回null."# 防止幻覺
)

# 返回消息結構（符合工具調用模式的輸入要求）
return[
{"role":"system","content": pro_sys},# 系統指令
{"role":"user","content":input}# 用戶實際輸入
]

5、測試用戶輸入

# 注意：最終響應中將包含 tool_calls 部分（工具/函數調用模式的標誌性輸出）
input_text ="王五的宏光小區305室，退款了."
p_y = prompt_ty(input_text)# 構造提示
res = get_response_1t(p_y)# 調用模型（工具模式執行）
print(res)# 輸出包含結構化參數的結果

6、測試模型工具輸出，達到預期。

 7、模型返回參數後給到後端，因爲我們傳統業務系統使用 java，再封裝接口返回前端，前端自動將參數賦值到篩選條件，自動搜索結果展示給用戶。

    自己執行 python 代碼實現後，開心極了，就積極找開發討論，推進項目上線。

     當然，上生產前，還需多輪測試，發現模型的穩定性是個難題，但通過工具調用，基本也很好限制模型發揮。如果模型返回效果不好，我會更換模型、調整提示詞，提示詞中修改規則，或新增示例，也會對模型提取效果有一定幫助。

    除了上述介紹本地模型調用，實現信息 / 參數提取，還可申請阿里通義千問的 key 遠程調取雲端大模型進行實現，核心思想也是使用定義數據結構，再將數據結構放入工具綁定大模型進行實現。感興趣小夥伴可將上述代碼嘗試，也可使用 deepseek 搜索轉換代碼遠程調用大模型。

本文由 Readfog 進行 AMP 轉碼，版權歸原作者所有。
來源：https://mp.weixin.qq.com/s/wGQHQeVJaj9JaZT3U-toLg