飞书AI信息抽取实战案例：高效技巧全解析
引言
信息抽取概述
信息抽取的目标很明确：从那些没有固定格式的文本里，识别并提取出特定类型的信息。具体来说，它主要涵盖以下几项任务：
1. 命名实体识别（NER）：找出文本中的人名、地点、组织、时间等实体。
2. 关系抽取（RE）：搞清楚实体之间的关联，比如“A是B的父亲”。
3. 事件抽取（EE）：发现文本中发生的事件，以及它和实体之间的关联。
这些听上去挺抽象，但一旦结合具体案例，你就会发现它其实离日常办公很近。
案例：用飞书多维表格的捷径字段，快速批量提取实体
任务1：单次信息提取（智谱清言 https://chatglm.cn/share/FqlM8）
第一个任务很简单——单次提取信息。写提示词时，可以采用“具体任务 + one-shot（参考示例）”的方式。但如果要处理大批量数据呢？当然，你也可以把所有任务一次性塞进大模型的提示词里，比如智谱清言目前的最大输入限制能到2万字符，应付不少场景是够的。不过，这次我们提供一个更聪明的方案：用飞书的多维表格来搞定。
任务2：采用飞书多维表格，对八千条材料信息进行批量要素提取
飞书多维表格里有一个叫“字段捷径”的功能，比如上图中那个“解析结果-V1”字段。只要用内置的信息提取字段捷径，就能实现批量信息提取，省时省力。
当然，这里可能遇到两个坑。一是提取要素不够准确，比如任务1里，同样一个“抗渗等级”，第一次被解析成“耐久性等级”，第二次又变回了“抗渗等级”；再比如“商品混凝土”，要求解析成“供应方式：预拌”，结果可能不符合实际业务需求。二是任务2中，解析出来的属性与属性值跟实际业务对不上。那么，该怎么改进呢？来看看任务3的做法。
任务3：要素提取、自定义提取要求，提供更多正、负case
这个案例聚焦在提取“普通混凝土”这类材料的信息上，需要提取的属性包括：品类、强度等级、抗渗等级、外加剂类型、是否泵送，一共五个字段。
以下是调整后的提示词：
##提取信息 |
实际跑了100条数据进行验证，判断后准确率达到了100%。这就是正、负case和自定义规则的价值所在。
当然，信息抽取的应用远不止建材领域。看看这些场景：
在医疗领域，它能从临床文档中抽取病人的关键信息，辅助医生做出更精准的诊断。
在金融领域，通过抽取新闻或社交媒体的关键信息，模型能更准确地预测股价走向。
在法律领域，它帮律师从海量文档中找出核心证据，无论是构建还是反驳案件，效率都大幅提升。
说到底，信息抽取的价值，就是帮我们从“数据多”变成“数据值”。