test-asdasdasd — 测试-asdasdasd

结构化字段抽取工具 (extract_structured_data_from_document) 概述 extract_structured_data_from_document 是一个结构化字段抽取工具，根据用户定义的 schema 从文档中抽取结构化数据。 重要提示：此工具专注于从文档中提取结构化字段，不适用于： 文档摘要生成 通用问答 文档结构解析 如需解析文档结构，请使用 parse_document 工具。

适用场景 从 PDF/Word/Excel 等文档中提取结构化数据 财务报表数据抽取（如营收、利润、资产负债表等） 合同关键条款提取 表单数据提取 任何需要从非结构化文档中提取结构化信息的任务

不适用场景 文档结构解析（请使用 parse_document） 文档摘要或总结 通用问答任务 无明确抽取目标的探索性分析

输入参数 参数名 类型 必填 描述 document_url string 是 文档的 URL 地址，支持 PDF、Word、Excel、图片等格式 schema object 是 抽取规则定义，包含要抽取的字段及语义描述 document_url 既可以是公网可访问的文件 URL，也可以是本地文件路径。 当传入本地路径时，工具会先上传到 DPA 文档里指定的文件服务，再调用字段抽取接口。

环境变量 DPA_ENV: sim 或 prod，默认 sim DPA_BASE_URL: 可选，自定义覆盖解析服务地址 DPA_UPLOAD_URL: 可选，自定义覆盖文件上传地址

默认端点： 仿真环境：http://imsfz.gjzq.cn:18087/ismp/yx-dpa/document 仿真上传：http://imsfz.gjzq.cn:18087/ismp/yx-gw/infras/file/file/v3/upload 生产环境：http://ims.gjzq.cn:18087/ismp/yx-dpa/document 生产上传：http://ims.gjzq.cn:18087/ismp/yx-gw/infras/file/file/v3/upload

Schema 结构 schema 是一个 JSON 对象，支持三种字段类型： { "text": [ { "keyName": "字段名称", "keyPrompt": "字段的语义描述和抽取要求" } ], "table": [ { "tableName": "表格名称", "tableDescription": "表格的描述信息", "tableColumn": [ { "keyName": "列名称", "keyPrompt": "列的语义描述和抽取要求" } ] } ], "paragraph": [ { "keyName": "段落名称", "keyPrompt": "段落的语义描述和抽取要求" } ] }

关键使用规则 必须先构造 Schema 如果用户没有提供 schema，必须先根据用户需求构造 schema，然后再调用此工具。 LLM 负责： 理解用户的抽取需求 将需求转换为符合格式的 schema 定义 调用此工具执行抽取

Schema 构造原则 keyName: 字段的标识名称，应简洁明了 keyPrompt: 字段的详细描述，包含： 字段的含义 数据格式要求（如"输出纯数字"、"带单位"等） 来源说明（如"从合并资产负债表提取"） 特殊处理要求（如"取绝对值"、"单位转换"等）

输出格式 返回 JSON 格式的结构化抽取结果，包含： 文本字段的抽取值和溯源信息 表格数据的二维数组结构 段落内容的完整文本 每个抽取结果的来源页码和坐标信息

执行模式 此工具提交的是 DPA 文档规定的异步字段抽取任务：先调用 POST /parse 获取 taskId，然后轮询 GET /{taskId}/status，成功后再读取 GET /{taskId}/result。 为了便于上层调用，工具默认会在本地帮你等待完成后直接返回结果（包含 data 中的 text、table、paragraph）。 注意：默认等待超时为 60 秒。如果文档较大、60 秒内未完成，工具会返回 taskId、当前 status 和提示信息，供后续继续查询。 也可以传入 async 模式立即返回 taskId，手动查询结果。

步骤 1：获取 taskId（async 模式） 工具返回格式： { "taskId": "202603251633-8e44b4a2", "taskType": "extraction", "message": "字段抽取任务已创建" } 重要：请记录返回的 taskId，用于后续查询任务状态和结果。

步骤 2：查询任务状态 使用 document_get_result 工具查询抽取结果： { "tool": "document_get_result", "args": { "task_id": "202603251633-8e44b4a2" } }

步骤 3：解析结果 成功时返回的结构： { "code": 200, "message": "检索成功，召回内容已返回。", "data": { "text": [ { "keyName": "本期营业收入", "keyValue": "500亿元", "source": { "docUrl": "https://example.com/report.pdf", "pageNum": 3, "bbox": [100, 200, 300, 250] } } ], "table": [...], "paragraph": [...] } }

完整调用流程示例 调用 extract_structured_data： 输入: /path/to/document.pdf, schema={...} 返回: {"taskId": "202603251633-abc123", "taskType": "extraction", "message": "字段抽取任务已创建"} 查询结果： 输入: task_id="202603251633-abc123" 返回: {"code": 200, "data": {"text": [...], "table": [...], "paragraph": [...]}}

返回字段说明 字段 类型 描述 taskId string 任务 ID，用于查询任务状态 taskType string 任务类型，"extraction" 表示字段抽取任务 message string 任务状态描述 data.text array 文本字段抽取结果列表 data.table array 表格抽取结果列表 data.paragraph array 段落抽取结果列表

调用示例 示例 1：用户直接给抽取需求（无 schema） 用户请求：请从这份年报中提取公司的营业收入、去年同期营业收入、本期营业费用等信息 LLM 首先构造 Schema： { "text": [ { "keyName": "本期营业收入", "keyPrompt": "输出纯数字，且取绝对值。必须带上单位。若项目值单位是百万元，需要转换为亿元" }, { "keyName": "去年同期营业收入", "keyPrompt": "输出纯数字，且取绝对值。必须带上单位。若项目值单位是百万元，需要转换为亿元" }, { "keyName": "本期营业费用", "keyPrompt": "输出纯数字，且取绝对值。必须带上单位。若项目值单位是百万元，需要转换为亿元" }, { "keyName": "去年同期营业费用", "keyPrompt": "输出纯数字，且取绝对值。必须带上单位。若项目值单位是百万元，需要转换为亿元" } ], "table": [], "paragraph": [] } 然后调用工具： { "tool": "extract_structured_data_from_document", "args": { "document_url": "https://example.com/annual_report_2024.pdf", "schema": { "text": [ { "keyName": "本期营业收入", "keyPrompt": "输出纯数字，且取绝对值。必须带上单位。若项目值单位是百万元，需要转换为亿元" }, { "keyName": "去年同期营业收入", "keyPrompt": "输出纯数字，且取绝对值。必须带上单位。若项目值单位是百万元，需要转换为亿元" }, { "keyName": "本期营业费用", "keyPrompt": "输出纯数字，且取绝对值。必须带上单位。若项目值单位是百万元，需要