使用utopia可以对文档里面的各类知识进行提取吗

[fangkk0168]

目前有一份文档，先经过chunk分块。分块后对里面的知识进行，需求如下：
1、按照领域，概念，字段，关系这种层级目录提取吗？概念属于领域下，字段，关系属于概念下
2、可以对文档中的业务流程和业务规则进行提取吗？像业务流程是一个流程闭环，把文档里面完整的流程提取出来。还有一个业务规则，例如某个公式如何计算的和它的触发条件
如果可以做，是否在utopia里面建立对应的类，属性，关系就可以了。

[morvayo]

可以按这个方向建模 但只建立类和关系不能保证完整提取整个业务流程

建议把流程步骤单独作为实体 再关联前置步骤 触发条件 输入输出和所属流程
业务规则另建实体 保存公式原文 变量含义 适用条件和出处

当前设计 是先提取文档里的开放图 再对齐到本体
所以本体不是一个保证模型严格填满的抽取模板

先用一小段包含完整流程的文档验证结果
分块时保留标题和上下文 避免把公式与变量说明或流程前后步骤切开
抽出的公式仍需验证 不等于已经实现可执行的业务计算

[fangkk0168]

你好，有没有这块的schema模板呢，我按照这些来编辑下做下快速验证。
像这些抽取的公式验证，有没有好的方法呢

[morvayo]

可以先在本体页手工建立这个最小模板做验证

类
domain 领域
concept 概念
process 业务流程
step 流程步骤
rule 业务规则

关系
concept → belongs_to → domain
step → part_of → process
step → next_step → step
rule → applies_to → step
rule → describes → concept

属性
rule 上加 formula_text 和 trigger_text 类型选 text
step 上加 input_text 和 output_text 类型选 text
各类的说明写清含义并附一条文档里的正例

这里的 domain 是领域类的名字 关系配置里的 domain 和 range 则是主语和宾语允许的类
例如 next_step 的两端都选 step
本体结构说明

公式验证先做三步
先对照原文检查运算符 变量 单位和触发条件 并保留原文引用
再用独立计算器核算人工确认的例子 比如金额等于数量乘单价时 数量 3 单价 12 应得到 36
最后补零值 缺字段 单位换算和文档规定的阈值边界
不要只让另一个模型回答公式是否正确

可以贴一小段脱敏的流程和公式原文 再按实际内容把这个模板缩到最小

[fangkk0168]

好的，非常感谢您。我来按照你说的进行测试

[morvayo]

好的 先用一小段文档验证就行
如果有漏抽或关系不对 可以贴脱敏原文和实际结果 再一起缩小问题

[WaylandYang]

谢谢提问，也谢谢 @morvayo 的详细解答，方向是对的。补充一下 Utopia 目前实际抽取什么，以及本体是怎么起作用的。

1. 抽取：先记下文档自己的说法（开放图谱）

每个分块调用一次模型，提示词里不放本体（ADR 0044）。模型按文档原文写出：

• 事物（实体）：名称或描述、文档里的类别词，以及它是专名（跨文档按名字合并），还是"该部门"这类只在本文档内成立的描述；另外还有文档给出的别名。
• 陈述：主语、原文里的关系短语、宾语（另一个事物，或者数值、标题、状态这类值）。每条陈述都带原文引句。方式、地点、条件等写在限定语里，键用文档自己的角色词。表格的单元格是关于该行事物的陈述，列标题就是短语。
• 时间：原文里的时间词，之后按文档解析成有效时间区间。

服务端会校验：引句必须出现在原文里，名字必须出现在引句里，等等。不合格的条目会写明原因，可以在"文库"里按文档查看。

2. 对齐：本体把这些说法归到你的类和属性上

抽取完成后会自动排队对齐：

• 类别词绑定到类；
• 关系短语按"短语 + 主语类 + 宾语类（或'一个值'）"的签名，绑定到 domain/range 允许的关系或属性。模型两次投票一致才绑定，不一致的进入审核里的"对齐器拿不定的"，由人来定。
• 绑定后，这个签名下的每条陈述都会算成一条类型化事实，属性值按属性的数据类型和单位读取。

所以正如 morvayo 所说，本体决定的是"怎么归类"，而不是让模型按模板把每一格填满。

对你的两个需求意味着什么

• 领域、概念、字段的层级：可以在本体里建这些类和关系（如 belongs_to、has_field）。但只有文档里明确写出"X 属于 Y""X 包含字段 Z"这类句子，才会抽出对应的事实。只体现在标题结构里的层级，标题会作为分块的上下文前缀，但不保证会变成关系。
• 业务流程：抽取得到的是一条条"谁做了什么"的陈述。一个流程跨多个分块时，会分别抽出，再通过同名的事物连起来，不会自动组装成一个闭环的"流程"对象。步骤之间的先后关系，只有原文写出来（如"审核通过后提交……"）才会成为陈述。morvayo 的 process/step/next_step 模板可以试，前提是文档把步骤当作事物来写。
• 业务规则：公式会以原文引句和值的形式保留。要注意的是，"应当……""如果……则……"这类要求句或条件句会带一个 mood 限定语。它们留在开放图谱里，在图谱、实体面板和问答/MCP 里都能看到，但不会成为类型化事实，因为条件句说的不是已经发生的事实。触发条件一般在限定语里。

验证建议：先用一小段包含完整流程的文档试跑。在"文库"里看这篇文档丢弃了哪些条目、原因是什么；在"图谱"里看开放陈述；在审核的"对齐器拿不定的"里看哪些说法还没对上你的属性。

文档（英文）：

• 抽取：docs/design/extraction.md
• 本体与对齐：docs/design/ontology.md
• 背后的决定：ADR 0044

另外，我们近期在规划对抽取和部分界面的整体改造。像流程、规则这类需要跨段落组织的知识怎么抽取，会作为其中的一部分来考虑。欢迎把脱敏的样例和抽取结果贴在这里，对我们很有帮助。