汤不热吧引言：为什么ICL是数据提取的利器？
在大规模语言模型（LLM）的部署场景中，一项常见的任务是从非结构化文本（如邮件、合同、日志）中提取特定的、结构化的信息（如姓名、金额、日期）。传统的做法是依赖正则表达式或训练特定的命名实体识别（NER）模型，但这些方法在面对多样性和复杂性时往往效率低下。
上下文学习（In-Context Learning, ICL）是LLM的一项核心能力，它允许模型在不进行权重更新（即不进行微调）的情况下，仅通过在输入提示中提供少量示例（Few-shot examples），就能学会新的任务和遵循复杂的输出格式。对于数据提取而言，ICL的价值在于其极高的灵活性和部署速度。
本文将深入探讨如何利用Few-shot ICL，结合结构化输出（如JSON Schema），来可靠地指导LLM进行精确的数据提取。
核心机制：用JSON Few-shot定义“规则”
LLM擅长模仿其上下文中的模式。如果我们希望LLM输出JSON格式的数据，最有效的方法不是简单地在系统指令中说“请输出JSON”，而是在Few-shot示例中明确展示“输入文本A对应输出JSON A”、“输入文本B对应输出JSON B”。这不仅告诉模型要做什么（提取信息），还告诉它如何做（采用特定的JSON Schema）。
步骤一：定义目标Schema
假设我们的目标是从非结构化的客户反馈邮件中提取客户名称、情绪得分（1-5）、和提及的产品。
{
"customer_name": "string",
"sentiment_score": "integer",
"products_mentioned": ["string"]
}
步骤二：构建 Few-shot 示例
我们需要至少两个高质量的示例，它们覆盖了输入文本的多样性，并严格遵循定义的JSON格式。
示例一 (Example 1):
--- Start Example 1 ---
Input Text:
我的名字是王明，我最近购买了你们的'DataTurbo'服务，我对它的性能非常满意，给它打5分。不过，我在使用'API Gateway'时遇到了一些小问题。
Extracted JSON:
```json
{
"customer_name": "王明",
"sentiment_score": 5,
"products_mentioned": ["DataTurbo", "API Gateway"]
}
</code></pre>
--- End Example 1 ---
--- Start Example 2 ---
Input Text:
李华留言：我感觉'CloudWatch'的界面太复杂了。我给这次体验打2分。请尽快改进。
Extracted JSON:
<pre><code class="language-json line-numbers">{
"customer_name": "李华",
"sentiment_score": 2,
"products_mentioned": ["CloudWatch"]
}
</code></pre>
--- End Example 2 ---
<pre><code class="line-numbers"><br />### 步骤三：整合到提示模板中
我们将系统指令、Few-shot示例和待处理的输入文本组合成最终的提示（Prompt）。
## 实操代码：使用Python构建 Few-shot ICL 提取器
以下代码展示了如何构造一个健壮的Few-shot提示，并假定使用支持结构化输出的LLM API（如OpenAI或Claude）。
```python
# 待处理的非结构化文本
NEW_INPUT_TEXT = (
"我是张三，你们的'Compute Engine'虽然定价合理，但我必须说这次支持体验太糟糕了，最多给3分。"
)
# 系统指令和Few-shot示例
FEW_SHOT_TEMPLATE = """
你是一个专业的数据提取助手，你的任务是从客户反馈中提取结构化信息。你必须严格按照以下示例中的JSON格式输出结果。如果没有提及客户姓名，请使用"N/A"。
--- Start Example 1 ---
Input Text:
我的名字是王明，我最近购买了你们的'DataTurbo'服务，我对它的性能非常满意，给它打5分。不过，我在使用'API Gateway'时遇到了一些小问题。
Extracted JSON:
```json
{
"customer_name": "王明",
"sentiment_score": 5,
"products_mentioned": ["DataTurbo", "API Gateway"]
}
</code></pre>
--- End Example 1 ---
--- Start Example 2 ---
Input Text:
李华留言：我感觉'CloudWatch'的界面太复杂了。我给这次体验打2分。请尽快改进。
Extracted JSON:
<pre><code class="language-json line-numbers">{
"customer_name": "李华",
"sentiment_score": 2,
"products_mentioned": ["CloudWatch"]
}
</code></pre>
--- End Example 2 ---
--- Target Input ---
Input Text:
{target_text}
Extracted JSON:
"""
<h1>构造最终Prompt</h1>
final_prompt = FEW_SHOT_TEMPLATE.format(target_text=NEW_INPUT_TEXT)
<h1>模拟调用LLM API (在实际生产环境中，您会调用 OpenAI/Anthropic/或其他模型)</h1>
<h1>response = call_llm_api(prompt=final_prompt, response_format={'type': 'json_object'})</h1>
print("\n--- Final Prompt Sent to LLM ---")
print(final_prompt)
<h1>预期LLM输出的JSON结果</h1>
expected_output = {
"customer_name": "张三",
"sentiment_score": 3,
"products_mentioned": ["Compute Engine"]
}
print("\n--- Expected Structured Output ---")
print(json.dumps(expected_output, indent=2, ensure_ascii=False))
```
部署考量：提高可靠性
- 使用原生JSON模式: 许多现代LLM API（如GPT-4o, Llama 3）支持原生的 response_format={'type': 'json_object'} 参数。在提示中结合Few-shot ICL和这个参数，可以极大提高JSON输出的解析成功率。
- 后处理验证: 即使LLM使用了JSON模式，也应在基础设施层面增加一层验证。使用Python的 json.loads() 是基础，更进一步可以利用 Pydantic 或 jsonschema 对提取出的数据进行Schema验证，确保数据质量符合下游系统的要求。
- 负面示例: 在Few-shot示例中加入一些“不适用”或“信息缺失”的输入，并示范模型应如何处理（例如，字段填充为 null 或 N/A），这有助于提高模型的鲁棒性。
总结
通过Few-shot ICL进行结构化数据提取，是利用LLM部署AI基础设施的关键技术。它将复杂的提取逻辑编码在上下文示例中，绕过了耗时的微调过程，实现了快速、高精度的信息抽取。核心在于定义清晰的JSON Schema，并在示例中严格执行，从而让LLM学会模仿并完成泛化任务。