结构化抽取（Structured Extraction）

一句话定义：从非结构化文本里恢复出结构化字段。 这一范式的关键不是让模型”写出”一个值，而是让程序先用规则（正则表达式）把可能的候选都找出来，再让 Jev 从候选里”选一个”，最后由代码逐字拷贝。

1. 核心要点

1.1 三步走：find / pick / copy

官方预解析取值（Pre-parsed Value Extraction）模板把这个分工固定成三步：

1. 正则超量召回：用一条调成”宁可多找”的正则，把候选值全部抓出来并去重（官方原话 “Tune it to over-find.”）。
2. Jev 挑一个：把候选直接当成选择题的选项，问”哪个候选是问题要的那个”，顺带读出下游要的属性（货币、国家、金额是 credit 还是 charge）。
3. 代码逐字拷贝并归一化：代码复制被选中的那个 span，再自己做格式化（转小写、转 E.164、转 Decimal）。

“Because TypeSafe only ever chooses among the spans the regex found, the value you get back is one of those spans, copied unchanged. It cannot invent a value or transpose a digit.” 译：因为 TypeSafe 只能在正则找到的那些 span 里选，你拿回来的值一定是这些 span 之一、原样拷贝。它不可能编出一个值，也不可能把数字抄错位。

代码注释把这件事说得更直白：选项本身就是候选 span，所以 choice 是其中一个的原样拷贝（或 none 逃生口）——模型负责选，代码负责持有字符串。

1.2 三个官方实例

• 邮箱：文档里有 4 个地址，正文要求小票发到私人地址。Jev 选出 dana.personal@gmail.com（conf 0.98），“发件人”选出 From 行那个（conf 1.00）；两个都是正则命中的原样拷贝，只在代码里转小写。
• 电话：三个号码都没有国别码。Jev 选出手机 (415) 555-0177（conf 1.00），再分类国家 US（conf 0.90），phonenumbers 合成 E.164 → +14155550177。
• 金额：发票 4 个金额。选出总额 $1,315.50 与抵扣 $50.00；一道 Noul 判定”这是退给客户的 credit 而不是 charge 吗”——总额 P(credit)=0.01、抵扣 P(credit)=0.99，代码据此决定 Decimal 的正负号。

1.3 日期抽取：拆成小块分别选，代码组装

日期被拆成 7 个选择题（Choice）一次问完：mode（absolute / relative / none）、month、day、year、day_anchor、weekday、week_offset。其中 year 列出 1900–2050 每一年，外加 none 与 out_of_range 两个逃生口。

“The model reads what the text says and never does the calendar math.” 译：模型只读文本说了什么，从不算日历数学。

代码负责剩余一切：

• 文本没写年份 → 代码用当前年份补，只有当日期已经比今天早一个月以上才顺延到下一年；
• out_of_range（写了但不在列表里）→ 标记，不猜；
• 拼出来是 2 月 30 日这类不可能日期 → 报 impossible date；
• 一个日期的置信度取所用各部件里的最低值，低于 REVIEW_BELOW = 0.60 就转人工。

4 个短文档、6 个日期：5 个自动接收（conf 0.91–0.97），1 个转人工——问了一个文档根本没提的日期，模式被读成 absolute 却拿不到月份，conf 0.46，标注 absolute date incomplete。

1.4 两条限制

• 选择题最多 255 个选项。候选超过这个数，就要分两阶段：先选章节，再选章节里的 span。
• 困难的部分是”找候选”，不是”选候选”。邮箱、电话、金额有现成正则；人名没有通用正则，候选只能来自一份已有的名册、命名实体识别（NER）或 LLM 提议。

1.5 为什么这样能防幻觉

生成模型可以写出任意字符串；而在这里，输出空间等于程序给出的候选集合，模型不可能返回候选之外的值。

“when the answer space is bounded, turn extraction into a Choice over the options rather than asking for the value itself.” 译：当答案空间是有界的时候，把抽取变成一道”从选项里选”的选择题，而不是直接向模型索要那个值。

官方 jaggedness 页给出同样建议：

“For data extraction, it is better to extract possible options using regex or a generative model and let jev-1.13 pick the correct extraction.” 译：做数据抽取时，更好的做法是用正则或生成模型先把可能的选项找出来，再让 jev-1.13 挑出正确的那一个。

2. 与 Jev 的关系

• 抽取被重新定义为”判断”而非”生成”：选一个是判断，写一个值是生成；Jev 只做前者——见 模型与框架分责。
• 日期是官方承认的弱项（日期当文字读、不做大小比较），“抽取给模型、比较给代码”正是官方开出的处方。参见 幻觉。
• 抽取出来的结果还能被 Jev 自己复核：官方 SDE 级联模板里有一道 Noul——“抽出来的这个字段是否为源文本不支持、或根本不存在？“——用来直接抓幻觉。
• 把自由文本先压成有界候选，也减少了材料被 指令遵循 之外的力量劫持的空间。

3. 相关来源

• 官方文档 cookbooks__pre_parsed_value_extraction_cookbook.md —— find/pick/copy 三步、邮箱/电话/金额三例与 255 选项限制
• 官方文档 cookbooks__date_extraction_cookbook.md —— 7 个日期选择题、代码组装、0.60 转人工阈值与运行结果
• 官方文档 model-jaggedness__jev-1.13.md（Date and time comparison / Generation）—— 官方”抽取给模型、算术给代码”的建议
• 官方文档 cookbooks__sde_cascade.md —— 用 hallucinated Noul 复核抽取结果