Классификация и извлечение полей: JSON-режим

Извлечь из письма сумму, дату и контрагента; разложить тикеты по категориям; вытащить поля из счёта — классические задачи, где модель заменяет хрупкие регулярки. Чтобы это работало надёжно, она должна отвечать строго структурированным JSON.

response_format вместо «верни JSON»

Просьба «ответь в JSON» в тексте промпта работает через раз: модель то обернёт в ```json, то добавит комментарий сверху. Используйте параметр:

resp = client.chat.completions.create(
    model="qwen3.8-27b",
    messages=[
        {"role": "system", "content": "Извлеки поля из счёта. Верни JSON."},
        {"role": "user", "content": invoice_text},
    ],
    response_format={"type": "json_object"},
    temperature=0,
)
data = json.loads(resp.choices[0].message.content)

С json_object модель возвращает JSON без обёрток. temperature=0 убирает вариативность — для извлечения это то, что нужно.

Строгая схема

Если модель и провайдер поддерживают JSON Schema — фиксируйте структуру полностью. Тогда не придётся проверять наличие каждого поля вручную:

schema = {
    "type": "object",
    "properties": {
        "supplier": {"type": "string"},
        "amount": {"type": "number"},
        "currency": {"type": "string", "enum": ["RUB", "USD", "EUR"]},
        "date": {"type": "string", "description": "ISO 8601"},
    },
    "required": ["supplier", "amount", "currency", "date"],
    "additionalProperties": False,
}

enum для классификации особенно полезен: при строгой схеме модель не выдумает категорию вне списка.

Классификация: закройте варианты

Для разметки тикетов не оставляйте модели свободу — дайте закрытый список меток:

system = """Классифицируй обращение в одну из категорий:
billing | technical | account | other.
Если не уверен — other. Верни JSON: {"category": "...", "confidence": 0.0-1.0}."""

Поле confidence даёт порог для ручной проверки: всё, что ниже 0.7, отправляйте человеку.

Выбор модели

• Простое извлечение и классификация — Flash-модели справляются и стоят копейки. Гоняйте батчами.
• Сложные документы (многостраничные договоры, вложенная структура) — модель посильнее и с большим контекстом.
• Vision нужен, когда данные в скане или картинке, а не в тексте — тогда модель, которая понимает текст и изображения (об этом отдельно).

Грабли

• Числа как строки. Модель вернёт "amount": "1 000,50". Схема с "type": "number" заставит её нормализовать, но проверяйте: русский формат с пробелом и запятой она иногда путает. Просите точку и без разделителей разрядов.
• Галлюцинация полей. Если поля нет в документе — модель может его выдумать. Инструктируйте: «отсутствующее поле — null, не угадывай».
• null против пустой строки. Договоритесь заранее и пропишите в промпте, иначе получите вперемешку.
• Повторы. Даже с json_object изредка прилетает битый JSON. Оберните json.loads в try и сделайте один повтор запроса — дешевле, чем усложнять парсер.

Соберите тестовый набор из 30–50 реальных документов с эталонными полями и гоняйте по нему при смене модели или промпта. Извлечение — это тот случай, где метрику точности легко посчитать и легко улучшать.