PDF-OCR文件识别篇（五）：字段定义与提示词工程

抽取质量的关键不在「怎么调模型」而在「怎么跟模型说话」。本模块用系统提示词 按表注入字段定义两段式把通用大模型驯成针对你这套表格的专业抽取器。5.1 系统提示词SYSTEM_PROMPT定义在AiPdfExtractionServiceImpl固化了 7 条抽取铁律。这是所有表共用的「底座规则」逐字保留严格按原文抽取禁止概括、改写、缩写、翻译、合并、推测、补全完整保留全部文字、数字、单位、括号与符号。字段约束若给了「字段清单」columns必须与之完全一致同名、同序、不缺、不改名、不新增、不合并每个 row 都要含全部字段无内容填。输出形态键值型登记表 → JSON 对象多行明细表 →{columns:[...], rows:[{列名:值,...}, ...]}。合并单元格向下填充纵向合并的值属于它跨越的所有行必须在每一行都重复填入绝不能只在首行填、其余留空。跨页折行合并若某行只有个别单元格有少量文字、标识列如序号、记录编号为空说明是上一行被折断的续接文字合并回上一行不单独成行。去掉页眉页脚、页码如「— 2 —」、表格标题等无关内容。只输出 JSON不要任何解释或 markdown 代码块。第 4、5 条最关键——它们直接对抗 PDF 表格最常见的两类结构破坏。配合第 4 章百度 OCR 识别出的结构化 JSON 作为输入提示词约束 结构化输入两头夹才压得住。提示词里的「领域身份」可按需替换。比如把开头设成「你是某某单据的结构化抽取专家」能进一步收敛模型对该领域术语的理解但 7 条铁律是通用的。5.2 字段注册表TableSchemaRegistrytable-schema.json字段定义文件resources/schema/table-schema.json按「表格标题」定义每张表的结构示例基本信息表: { title: 基本信息表, rootKey: 基本信息, type: object, example: { 单位名称: 示例科技有限公司, 注册地址: 某省某市某区某路1号, 统一社会信用代码: 9100000000000000XX, 联系电话: 010-00000000, 证件文号列表: [示字〔2021〕4号, ...], 指标: { 指标A: { 数值: 5588.22, 单位: t/a, 说明: ... } } } }example是一份「填好的样表」直接示范字段名、嵌套层级、数据类型——比干巴巴列字段名更能约束模型输出。注册表加载与匹配TableSchemaRegistry在PostConstruct时加载外部文件schemaPath优先否则用 classpath 内置按「去表号/空白」归一化后的标题建索引public TableSchema getByTitle(String title) { TableSchema s schemas.get(normalize(title)); // ① 精确匹配 if (s ! null) return s; for (entry : schemas) // ② 包含兜底 if (key.length() 4 (norm.contains(key) || key.contains(norm))) return entry.getValue(); return null; } // normalize: 去掉开头「表N / 表N-N」前缀与所有空白为什么按标题而非表号匹配因为同一类表在不同文档里表序号可能不同这份里是表48那份里可能是表46标题更稳定。外部文件优先还有个运维价值不重启、不重新打包就能调字段定义线上发现某表抽得不对改 JSON 文件即可。5.3 动态注入buildSchemaBlock抽取每张表时把该表的字段定义拼进用户提示词。逻辑分三档TableSchema schema tableSchemaRegistry.getByTitle(title); if (schema null) return ; // ③ 未配置 → 自由抽取 if (schema.getExample() ! null) { // ① 有结构示例首选 // 数组型要求输出 {rootKey: [元素,…]}每个元素严格遵循示例 // 对象型要求严格遵循结构示例 return 请输出 JSON 对象严格遵循下面的「结构示例」… prettyJson(example); } if (schema.getFields() 非空) { // ② 只有字段清单 // 登记表给「字段清单对象键不缺不改不增」 // 明细表给「columns 必须与字段完全一致」 }最终拼出的用户提示词大致是表格标题表3 设备明细表 请输出 JSON 对象格式为 {设备明细: [元素, ...]}数组每个元素严格遵循下面的「元素结构示例」… 元素结构示例 { 设备编号: ..., 设备名称: ..., 规格: ..., ... } 以下是该表百度 OCR 识别出的内容 JSON跨页已合并请严格据此抽取为结构化 JSON逐行输出、不要遗漏任何一行…… OCR 识别结果 JSON5.4 这套提示工程为什么有效手段对抗的问题系统提示词「逐字保留」模型自作主张改写/缩写系统提示词「合并填充 / 折行合并」PDF 表格结构破坏example结构示例字段名漂移、层级随意、类型乱填按标题匹配 外部文件优先表号差异、线上免重启调整强制json_object 低温见第 6 章输出非 JSON、随机性过高一句话铁律定下限结构示例定上限对齐输入降难度。三者缺一抽取质量都会塌方。