hklii_samples/案件信息提取思路.md

我需要从一个案件的content里面提取我想要的信息案件，案件内容比较长，可长达几万个字不等。但用的是本地ollama的小模型，如何在这些有限条件下提高信息提取的准确度？

Extraction Rules (字段提取规则)

一、 主体与管辖信息

1. plaintiff (原告/申索人/上诉人/覆核申请人) [数组]
   • 提取所有当事人的完整姓名或机构名（含中英文）。若无则输出空数组 []。
2. defendant (被告/答辩人/被上诉人) [数组]
   • 提取所有被告的完整姓名或机构名。若无则输出空数组 []。
3. jurisdiction_code (司法区域代码) [字符串]
   • 提取官方代码，如：HKSCT, HKCFA, HKCA, HKCFI 等。
4. jurisdiction_name (司法区域名称) [字符串]
   • 完整的法院或审裁处名称（如：香港特別行政區終審法院）。
5. case_location (案件地点) [数组]
   • 提取与案件直接相关的地理位置。
   • ✅ 必须包含：司法管辖区（如 "香港特別行政區"）。
   • ✅ 可包含：行政区域、城市、国家（如 "九龍", "Luxor City, Egypt"）。
   • ❌ 严禁提取：法院名称（如"小額錢債審裁處"）、具体建筑物或场所名称（如"通州街公園"、"某某大厦"）。若原文无明确地点，仅输出司法管辖区。

二、 核心案件要素

6. case_reason (事由) [字符串]
   • 字数强制限制：绝对不可超过 100 字，必须浓缩为单句。
   • 内容公式：[原告身份] + [针对什么事件/行为] + [向谁] + [提出什么请求/诉讼]。
   • ⚠️ 覆核/上诉案件特例：需指明对哪个裁决（含日期/案号）提出覆核、核心理由及法律依据。
   • ❌ 严禁包含：判决结果、法庭分析、详细案发经过。
7. case_object (案件标的物) [数组]
   • 提取诉讼请求指向的实体权利或利益（如：私人財物損失賠償、精神困擾賠償、合同履行、房产所有权）。合并本质相同的标的物。
   • ❌ 严禁提取：证据材料（如单据、证人证词）、程序性诉求（如"要求法庭裁决"、"追究责任"）。

三、 裁判与实体分析

8. judgment_result (判决结果) [对象数组]
   • 拆分原则：若案件涉及多项请求，或包含“责任判定”与“损失/金额计算”两个层面，必须分条列出。
   • 子字段 charge [字符串]：具体的诉讼请求或覆核理由（请在括号内标注是“责任问题”还是“损失范围”）。
   • 子字段 result [字符串]：明确的裁决结果（胜诉/败诉/部分胜诉/维持/撤销等），并简述 2-3 个关键法庭理由及具体金额/命令。
9. judgment_summary (判决总结) [字符串]
   • 字数强制限制：不得超过 300 字。
   • 结构四要素： (1) 案件背景（1-2句话交代起因与当事人关系）； (2) 核心争议焦点； (3) 法庭法律分析与推理（核心重点）：法庭如何评估证据？接受/拒绝主张的逻辑是什么？引用了哪些关键法律或判例？ (4) 最终裁决结果及命令。
   • ⚠️ 必须使用 YAML 多行字符串语法（>）。
10. involved_entities (涉及实体) [对象数组]
    • 仅提取与案件相关的自然人、法人、组织、机构。
    • 子字段 entity_name [字符串]：实体全称（如 "林希維審裁官", "康樂文化事務署"）。
    • 子字段 reason [字符串]：说明其在案件中的角色与作用。
    • ⚠️ 法官提取特例：除主审法官外，必须提取法庭引用的先例中所提及的法官（reason 需写明：在XX案[案号]中担任XX职位，阐述XX法律原则及引用的段落）。
    • ❌ 严禁提取：法案名、条例名、法律条文、纯案例名称、文献期刊名。

---

Strict YAML Format Constraints (严格格式约束)

• 遇到包含冒号 :、井号 #、连字符 - 的字符串时，必须使用双引号 "" 将其包裹，防止 YAML 解析错误。
• 对于长文本（case_reason, judgment_summary），请使用 > 折叠换行符。

Output Template

请严格按照以下格式输出结果，不要输出任何多余的解释：

plaintiff:
  - ""
defendant:
  - ""
jurisdiction_code: ""
jurisdiction_name: ""
case_location:
  - ""
case_reason: >
  [此处填入符合公式、限 100 字内的事由]  
case_object:
  - ""
judgment_result:
  - charge: "[请求描述] (责任问题/损失范围)"
    result: "[裁定结果及理由简述]"
judgment_summary: >
  [此处填入包含四要素的判决总结，限 300 字内]  
involved_entities:
  - entity_name: ""
    reason: ""


----------案件信息提取思路--------------

针对你的场景（本地小模型 + 数万字长文本 + 严格结构化抽取），单次喂入全文 + 一次性输出所有字段几乎注定失败。提升准确度的关键不在"换更好的提示词"，而在**重构整个抽取管线**。以下是按优先级排列的策略：

## 一、核心思路：放弃"一次抽取所有字段"

小模型在长上下文里会严重"注意力稀释"，必须把任务拆小。建议改成 **预处理 → 定位 → 分组抽取 → 校验** 四阶段管线。

## 二、预处理：先用规则把文本"压缩"和"切片"

在送入模型前，用纯代码做这些事，能让有效输入缩短 70% 以上：

- **去噪**：删除页眉页脚、页码、空行、重复的法院抬头、英文与中文重复段落（HK 判决书常见双语，可只保留中文版本，整段省一半）。
- **结构化切段**：判决书有强格式特征，用正则切分出：`【案件编号】`、`【当事人】`、`【判决理由】`、`【判决结果】`、`【命令】` 等区块，做成 `dict[section_name, text]`。
- **元数据用规则直接抽**：以下字段根本不需要 LLM：
  - `jurisdiction_code` / `jurisdiction_name`：正则匹配 `HKSCT|HKCFA|...` 或法院全称。
  - `case_location`：从法院名映射（HKSCT → 香港特別行政區）。
  - 案件编号、日期、案号引用：正则。
- 规则能覆盖的字段准确率 ≈ 100%，不要浪费在模型上。

## 三、定位-再抽取（Locate-then-Extract）

每个字段都有"高信号区域"，先定位再喂局部：

| 字段 | 高信号区域 |
|---|---|
| `plaintiff` / `defendant` | 文档前 500–1000 字（标头部分） |
| `case_reason` | 首段 + "申索"/"訴因"/"本案涉及" 关键词附近段落 |
| `case_object` | "申索金额"、"索償"、"诉讼请求" 附近 |
| `judgment_result` | 文末 1000–2000 字（"本席命令"、"判決"、"裁定"） |
| `involved_entities`（先例法官） | 含"案[" / "v." / "[20XX]" 引用案例的句子 |
| `judgment_summary` | 全文，但可用提取出的其他字段拼接 |

实现：用关键词或 BM25/embedding 检索筛出每个字段的 Top-K 段落（一般 3-5 段，2000 字以内），只把这部分喂给模型。

## 四、分组分次调用，而不是一次性全部输出

小模型一次吐 10 个字段一定有崩。把抽取分成 4-5 次独立调用：

1. **Call 1（主体）**：plaintiff, defendant, jurisdiction（用文档前部）
2. **Call 2（事由+标的）**：case_reason, case_object（用首段 + 申索段）
3. **Call 3（判决结果）**：judgment_result（用文末判决段）
4. **Call 4（涉及实体）**：involved_entities（用先例引用段）
5. **Call 5（总结）**：judgment_summary（把前 4 步结果拼回去喂模型生成，而不是从原文重新生成）

第 5 步特别关键——总结的输入是已抽取的结构化数据，而不是几万字原文，质量会跳一档。

## 五、用 Ollama 的强制结构化输出

Ollama 原生支持 `format: "json"`（或 `format` 传 JSON Schema），强制模型只输出合法 JSON。**先输出 JSON，再用代码转 YAML**，比让小模型直接写 YAML 稳定得多——小模型在 YAML 缩进、`>` 折叠、`""` 转义上极易出错。

每个 Call 用对应的子 schema 约束，例如 Call 1 的 schema 只包含 4 个字段，模型几乎无法跑偏。

## 六、Few-shot 示例（每个 Call 1-2 个就够）

给一个完整正例 + 一个反例（"❌ 不要这样做"），效果远胜纯规则描述。例如对 `case_location`：

✅ 正确：["香港特別行政區", "九龍"] ❌ 错误：["小額錢債審裁處", "通州街公園"] ← 这是法院名和场所名，不是地点

小模型不擅长抽象规则，但能很好地模仿示例。

## 七、后处理校验 + 失败重试

每个 Call 出来后用代码校验：

- **格式校验**：JSON 解析、字段类型、数组非空规则。
- **业务校验**：`case_reason` 字数 ≤ 100；`judgment_summary` ≤ 300；`case_location` 不含法院关键词（用黑名单 `["法院", "法庭", "審裁處"]`）；`involved_entities` 不含法案名（黑名单 `["條例", "法案", "Cap."]`）。
- **失败时**：把校验错误信息回灌给模型重试一次（"上次输出超过 100 字，请精简到 80 字以内"），通常一次重试就能修正。

## 八、可选增强

- **温度调到 0**（`temperature: 0`），抽取任务不要随机性。
- **量化精度**：如果用的是 Q4 量化，换 Q5_K_M 或 Q6_K，结构化抽取对量化精度敏感，提升明显。
- **模型选型**：同尺寸下，Qwen2.5、GLM4 系列在中文抽取任务上明显强于 Llama 系；7B 量级的 Qwen2.5-7B-Instruct 在你这类任务上是甜点。
- **自一致性**：对关键字段跑 2-3 次取众数，能压一部分波动（代价是延迟翻倍）。

## 九、推荐的最小可行落地顺序

如果只让你做三件事，按这个顺序做收益最大：

1. **正则抽元数据 + 文档分段**（一天工作量，准确率拉满）。
2. **改成分 4-5 次调用 + JSON 强制输出**（半天，崩溃率断崖式下降）。
3. **每字段加 Few-shot + 校验重试**（一天，长尾错误大幅减少）。

做完这三步，小模型也能在长判决书上跑出可用准确率。剩下的 prompt 微调和模型选型是锦上添花。