4. Die Aktivität wird auf Ihrer Workflow-Arbeitsfläche angezeigt.
5. Verbinden Sie sie zwischen Ihren Input- und Output-Aktivitäten.
**Strukturkomponenten:**
* **FieldName**: Muss exakt mit Ihren Felddefinitionen übereinstimmen (z. B. `Vendor.Name`).
* **Text**: Der extrahierte Wert als String.
* **Line**: Nullbasierter Zeilenindex, in dem der Wert im Dokument vorkommt.
**Wichtige Hinweise:**
* Verwenden Sie die exakten Feldnamen aus Ihrer Output-Konfiguration.
* Schließen Sie alle Felder ein, auch wenn einige leer sein können.
* Die Struktur muss gültiges JSON sein.
* Zeilennummern helfen bei der Verifizierung und Fehlerbehebung.
***
## Schritt 6: Feldspezifische Extraktionsregeln hinzufügen
Geben Sie detaillierte Anweisungen zum Extrahieren der einzelnen Felder an.
Fügen Sie unter OUTPUT FORMAT spezifische Regeln für jeden Feldtyp hinzu:
```
VENDOR NAME
1) Recognize names like "ABC Corporation", "XYZ Ltd", "Acme Inc.".
2) Extract the complete company name including legal suffixes (Ltd, Inc, GmbH, etc.).
3) Vendor name typically appears near the top of the document.
VENDOR ADDRESS
1) Extract the complete address including street, city, postal code.
2) For multiline addresses, represent each new line using "\n".
3) Vendor-side only; exclude customer/buyer addresses.
ACCOUNT NUMBER
1) Recognize "Account Number", "Account No", "Acct #".
2) Extract the numeric format exactly as printed (e.g., "12-34-56" or "500 105 17").
3) Vendor-owned accounts only (e.g., "Beneficiary" or "Vendor Payment" sections).
4) Ignore IBAN — it has its own field.
SORT CODE
1) Recognize "Sort Code", "Sort No.", "BLZ", "Bankleitzahl".
2) Extract the numeric format exactly as printed (e.g., "12-34-56" or "500 105 17").
3) Vendor-side data only; ignore payer/buyer codes.
IBAN
1) Recognize "IBAN", "International Bank Account Number".
2) Extract the full IBAN exactly as printed (include spaces).
3) Vendor-side only, typically under "Bankverbindung", "Coordonnées bancaires", "Payment Details", or "Beneficiary Bank".
BIC_SWIFT
1) Recognize "BIC", "SWIFT", or "BIC/SWIFT".
2) Extract the complete identifier (usually 8 or 11 uppercase letters/numbers).
3) Vendor-side only, near the IBAN or bank name.
4) Exclude customer/payer data.
```
**Regelaufbau:**
* **Erkennungsmuster**: Führen Sie für jedes Feld alternative Bezeichnungen auf.
* **Formatspezifikationen**: Beschreiben Sie das exakt zu extrahierende Format.
* **Hinweise zum Fundort**: Wo die Daten typischerweise zu finden sind.
* **Ausschlüsse**: Was NICHT extrahiert werden soll.
**Best Practices:**
* Nummerieren Sie Ihre Regeln zur besseren Übersicht.
* Geben Sie mehrere Varianten der Bezeichnungen an.
* Geben Sie an, wem die Daten zuzuordnen sind (Vendor-Seite vs. Kundenseite).
* Fügen Sie Formatbeispiele in Klammern ein.
* Seien Sie bei verwandten Feldern explizit (z. B. "IBAN ignorieren — dafür gibt es ein eigenes Feld").
***
## Schritt 7: Strenge-Regeln anwenden
Fügen Sie Validierungsregeln hinzu, um die Datenqualität und Konsistenz sicherzustellen.
Fügen Sie am Ende Ihres Prompts einen Abschnitt **STRICTNESS** hinzu:
```
STRICTNESS
- Never generate or infer values.
- Omit ambiguous or missing fields.
- If none of the vendor fields are found, return:
{
"Fields": []
}
```
**Zusätzliche Regeln zur Strenge (optional):**
```
GENERAL RULES
- Extract exactly one value per field.
- Skip any field that cannot be confidently located — omit it from the output.
- "FieldName" must match the names above exactly.
- "Text" must be copied verbatim from the document — no normalization or inference.
- For multiline values (e.g., addresses), represent each new line using the escape sequence "\n" (a backslash followed by the letter n).
- Do not insert HTML tags such as in the output text. - "Line" is the 0-based index of the first line containing the extracted value; include it only if verifiable. ``` **Warum Strenge wichtig ist:** * **Verhindert Halluzinationen**: LLMs können plausible, aber falsche Daten erzeugen. * **Gewährleistet Konsistenz**: Klare Regeln verringern die Unterschiede zwischen einzelnen Ausführungen. * **Regelt fehlende Daten**: Legt fest, was zu tun ist, wenn Felder nicht gefunden werden. * **Wahrt die Datenintegrität**: Die wortgetreue Extraktion bewahrt die ursprüngliche Formatierung. **Wichtige Prinzipien der Strenge:** * Erzeugen Sie niemals Daten, die nicht im Dokument enthalten sind. * Lassen Sie unsichere Extraktionen lieber weg, statt zu raten. * Geben Sie eine leere Struktur zurück, wenn keine Felder gefunden werden. * Feldnamen müssen exakt übereinstimmen. * Bewahren Sie die ursprüngliche Textformatierung. ***
## Schritt 8: Dokumentformat auswählen
Wählen Sie aus, welche Dokumentdarstellung an das LLM gesendet werden soll.
1. Suchen Sie im Activity Editor das Dropdown-Menü **Prompt**.
2. Dort sehen Sie die Optionen dafür, wie das Dokument dem LLM bereitgestellt wird.
**Verfügbare Formate:**
* **PDF**: Ursprüngliche PDF-Datei
* Geeignet für: Dokumente, bei denen das Layout entscheidend ist
* Zu beachten: Größere Dateigröße; einige LLMs unterstützen PDF nur eingeschränkt
## Schritt 9: Testen Sie Ihre Extraktion
Führen Sie die Aktivität an Beispieldokumenten aus, um die Ergebnisse zu prüfen.
### Führen Sie die Activity aus
1. Schließen Sie den Activity Editor.
2. Wechseln Sie zur Registerkarte **All Documents**.
3. Wählen Sie ein Testdokument aus.
4. Klicken Sie auf **Test Activity** oder **Run**.
5. Warten Sie, bis das LLM das Dokument verarbeitet
* Verarbeitungszeit: in der Regel 5–30 Sekunden, abhängig von der Komplexität des Dokuments.
* Während Sie auf die API-Antwort warten, wird ein Ladeindikator angezeigt.
### Ergebnisse prüfen
Sobald die Verarbeitung abgeschlossen ist:
1. Die Benutzeroberfläche wechselt zur **Predictive View**.
2. Prüfen Sie den Bereich **Output** mit den extrahierten Feldern.
3. Klicken Sie auf jedes Feld, um Folgendes anzuzeigen:
* Extrahierter Wert
* Konfidenzwert (falls vorhanden)
* Hervorgehobene Region im Dokumentbild
**Worauf Sie achten sollten:**
* ✅ Alle erwarteten Felder sind ausgefüllt
* ✅ Die Werte stimmen exakt mit dem Dokument überein
* ✅ Keine halluzinierten oder erschlossenen Daten
* ✅ Mehrzeilige Felder werden korrekt verarbeitet
* ✅ Fehlende Felder werden weggelassen (nicht mit falschen Daten ausgefüllt)
### Typische Ergebnismuster
**Erfolgreiche Extraktion:**
```json theme={null}
{
"Fields": [
{ "FieldName": "Vendor.Name", "Text": "ABC Corporation Ltd", "Line": 3 },
{ "FieldName": "Vendor.Address", "Text": "123 Business Street\nLondon SW1A 1AA", "Line": 5 },
{ "FieldName": "Vendor.IBAN", "Text": "GB29 NWBK 6016 1331 9268 19", "Line": 15 }
]
}
```
**Teilweise Extraktion (einige Felder fehlen):**
```json theme={null}
{
"Fields": [
{ "FieldName": "Vendor.Name", "Text": "ABC Corporation Ltd", "Line": 3 }
]
}
```
**Keine Felder gefunden:**
```json theme={null}
{
"Fields": []
}
```
***
## Schritt 10: Verfeinern Sie Ihren Prompt
Überarbeiten Sie Ihren Prompt anhand der Testergebnisse.
### Häufige Probleme und Lösungen
**Problem: LLM extrahiert das falsche Feld**
* **Lösung**: Fügen Sie spezifischere Positionshinweise hinzu.
* **Beispiel**: "Nur auf der Vendor-Seite; Kunden-/Käuferadressen ausschließen"
**Problem: Die Formatierung wird geändert**
* **Lösung**: Betonen Sie die wortgetreue Extraktion.
* **Beispiel**: "Extrahieren Sie das Zahlenformat exakt so, wie es gedruckt ist (z. B. '12-34-56')"
**Problem: LLM erfindet Daten**
* **Lösung**: Verschärfen Sie die Strenge-Regeln.
* **Beispiel**: "Werte niemals generieren oder ableiten. Weglassen, wenn nicht vorhanden."
**Problem: Mehrzeilige Felder werden zusammengefügt**
* **Lösung**: Geben Sie Escape-Sequenzen an.
* **Beispiel**: "Verwenden Sie für mehrzeilige Werte `\n` für Zeilenumbrüche"
**Problem: Falsche Feldnamen in der Ausgabe**
* **Lösung**: Prüfen Sie, ob die Feldnamen exakt übereinstimmen.
* **Beispiel**: Verwenden Sie `Vendor.Account Number` und nicht `AccountNumber`
### Iterativer Verbesserungsprozess
1. **An mehreren Dokumenten testen**: Optimieren Sie nicht nur für ein einzelnes Beispiel.
2. **Muster dokumentieren**: Halten Sie fest, welche Regeln funktionieren und welche weiter verfeinert werden müssen.
3. **Spezifische Beispiele hinzufügen**: Fügen Sie Formatbeispiele in Klammern ein.
4. **Strenge anpassen**: Passen Sie sie anhand von Mustern bei Über- bzw. Unterextraktion an.
5. **Grenzfälle testen**: Probieren Sie Dokumente mit fehlenden Feldern und ungewöhnlichen Layouts aus.
### Beispielanpassungen
**Vorher:**
```
VENDOR NAME
1) Extract the vendor name from the document.
```
**Nachher:**
```
VENDOR NAME
1) Recognize names like "ABC Corporation", "XYZ Ltd", "Acme Inc.".
2) Extract the complete company name including legal suffixes (Ltd, Inc, GmbH, etc.).
3) Vendor name typically appears near the top of the document.
4) Exclude customer/buyer names - focus on the entity issuing the invoice.
```
***
## Den Extraktionsprozess verstehen
### Wie die promptbasierte Extraktion funktioniert
1. **Dokumentkonvertierung**: Ihr Dokument wird in das ausgewählte Format konvertiert (Annotated Text empfohlen).
2. **Prompt-Zusammenstellung**: Ihre Rolle, das Ausgabeformat, Feldregeln und Strengevorgaben werden kombiniert.
3. **API-Aufruf**: Der Prompt und das Dokument werden über Ihre Verbindung an das LLM gesendet.
4. **LLM-Verarbeitung**: Das LLM liest das Dokument und extrahiert die Daten gemäß Ihren Anweisungen.
5. **JSON-Antwort**: Das LLM gibt strukturierte Daten im angegebenen JSON-Format zurück.
6. **Feldzuordnung**: Vantage ordnet die JSON-Antwort Ihren definierten Ausgabefeldern zu.
7. **Verifizierung**: Zeilennummern und Konfidenzwerte (falls vorhanden) helfen dabei, die Genauigkeit zu prüfen.
### Token-Nutzung und Kosten
**Faktoren, die sich auf die Kosten auswirken:**
* **Dokumentlänge**: Längere Dokumente verbrauchen mehr Tokens.
* **Komplexität des Prompts**: Detaillierte Prompts erhöhen die Token-Anzahl.
* **Formatwahl**: Annotated Text ist in der Regel effizienter als PDF.
* **Anzahl der Felder**: Mehr Felder = längere Prompts.
**Tipps zur Optimierung:**
* Formulieren Sie Prompts knapp, aber klar.
* Vermeiden Sie doppelte Anweisungen.
* Entfernen Sie unnötige Beispiele.
* Erwägen Sie die Gruppierung von Feldern für zusammengehörige Daten.
***
## Bewährte Methoden
### Prompts formulieren
**Do:**
* ✅ Verwenden Sie klare Anweisungen im Imperativ („Extrahieren“, „Erkennen“, „Auslassen“).
* ✅ Geben Sie für jedes Feld mehrere Bezeichnungsvarianten an.
* ✅ Fügen Sie Formatbeispiele in Klammern ein.
* ✅ Geben Sie an, was NICHT extrahiert werden soll (Ausschlüsse).
* ✅ Nummerieren Sie Ihre Regeln, damit leicht auf sie verwiesen werden kann.
* ✅ Verwenden Sie durchgängig eine einheitliche Terminologie.
**Don't:**
* ❌ Verwenden Sie keine vagen Anweisungen („Name abrufen“).
* ❌ Gehen Sie nicht davon aus, dass ein LLM domänenspezifische Konventionen kennt.
* ❌ Schreiben Sie keine unnötig langen, komplexen Sätze.
* ❌ Widersprechen Sie sich nicht in verschiedenen Abschnitten.
* ❌ Lassen Sie keine Regeln zur Strenge aus.
### Felddefinitionen
**Effektive Anweisungen für Felder:**
* Beginnen Sie mit Erkennungsmustern (alternativen Bezeichnungen).
* Geben Sie das exakt zu bewahrende Format an.
* Geben Sie Positionshinweise an (übliche Platzierung).
* Definieren Sie die Datenzuordnung (Vendor vs. Kunde).
* Berücksichtigen Sie die Behandlung mehrzeiliger Werte.
* Verweisen Sie auf verwandte Felder, um Verwechslungen zu vermeiden.
**Beispiel:**
```
IBAN
1) Recognize "IBAN", "International Bank Account Number".
2) Extract the full IBAN exactly as printed (include spaces).
3) Vendor-side only, typically under "Bankverbindung", "Payment Details".
4) Do NOT confuse with Account Number — IBAN is longer and alphanumeric.
```
### Teststrategie
1. **Beginnen Sie mit einfachen Dokumenten**: Testen Sie zuerst die grundlegende Extraktion.
2. **Auf Variationen ausweiten**: Probieren Sie verschiedene Layouts und Formate aus.
3. **Grenzfälle testen**: Fehlende Felder, ungewöhnliche Positionen, mehrere Treffer.
4. **Fehlschläge dokumentieren**: Halten Sie Beispiele fest, bei denen die Extraktion fehlschlägt.
5. **Systematisch iterieren**: Ändern Sie jeweils nur eine Sache.
### Leistungsoptimierung
**Für Geschwindigkeit:**
* Halten Sie Prompts kurz.
* Verwenden Sie das Format Annotated Text.
* Minimieren Sie die Anzahl der Felder pro Aktivität.
* Erwägen Sie, komplexe Dokumente aufzuteilen.
**Für Genauigkeit:**
* Definieren Sie umfassende Feldregeln.
* Fügen Sie Formatbeispiele hinzu.
* Definieren Sie strenge Regeln.
* Testen Sie mit unterschiedlichen Dokumentbeispielen.
**Für Kosten:**
* Optimieren Sie die Länge des Prompts.
* Verwenden Sie effiziente Dokumentformate.
* Speichern Sie Ergebnisse bei Bedarf zwischen.
* Überwachen Sie die Tokennutzung im Dashboard des LLM-Providers.
***
## Fehlerbehebung
### Extraktionsprobleme
**Problem:** Felder sind leer, obwohl Daten vorhanden sind.
**Lösungen:**
* Prüfen Sie, ob der Feldname exakt richtig geschrieben ist.
* Vergewissern Sie sich, dass sich die Daten im ausgewählten Dokumentformat befinden.
* Fügen Sie den Erkennungsmustern weitere Label-Varianten hinzu.
* Verringern Sie die Strenge vorübergehend, um zu prüfen, ob das LLM die Daten dann findet.
* Prüfen Sie, ob die Dokumentqualität die OCR-/Textextraktion beeinträchtigt.
**Problem:** Das LLM extrahiert Kundendaten statt Vendor-Daten.
**Lösungen:**
* Präzisieren Sie die Spezifikationen für die Vendor-Seite.
* Fügen Sie explizite Ausschlüsse für Kunden-/Käuferdaten hinzu.
* Geben Sie Positionshinweise an (z. B. „oben im Dokument“, „Abschnitt des Ausstellers“).
* Fügen Sie Beispiele für korrekte und falsche Extraktion hinzu.
**Problem:** Mehrzeilige Werte werden zusammengezogen oder fehlerhaft formatiert.
**Lösungen:**
* Geben Sie das Format der Escape-Sequenz (`\n`) explizit an.
* Geben Sie Beispiele für die korrekte mehrzeilige Ausgabe an.
* Vergewissern Sie sich, dass das Dokumentformat Zeilenumbrüche beibehält.
* Fügen Sie die Anweisung hinzu: „Behalten Sie die ursprünglichen Zeilenumbrüche mit `\n` bei“.
**Problem:** Das LLM formatiert Daten um oder normalisiert sie.
**Lösungen:**
* Betonen Sie „wortgetreu“ und „genau wie gedruckt“.
* Fügen Sie eine Strenge-Regel hinzu: „Keine Normalisierung oder Inferenz“.
* Geben Sie konkrete Beispiele an, die die Beibehaltung der Formatierung zeigen.
* Fügen Sie Negativbeispiele hinzu: „Nicht ‚12-34-56‘, sondern ‚12 34 56‘ beibehalten“.
### Leistungsprobleme
**Problem:** Die Extraktion ist zu langsam.
**Lösungen:**
* Wechseln Sie zum Format Annotated Text, wenn Sie PDF verwenden.
* Vereinfachen Sie den Prompt, ohne wichtige Anweisungen zu verlieren.
* Reduzieren Sie die Dokumentauflösung, wenn die Bilder sehr groß sind.
* Prüfen Sie den Status des LLM-Providers und die Ratenlimits.
* Ziehen Sie für einfache Dokumente die Verwendung eines schnelleren Modells in Betracht.
**Problem:** Inkonsistente Ergebnisse zwischen den Durchläufen.
**Lösungen:**
* Verschärfen Sie die Strenge-Regeln.
* Formulieren Sie die Anweisungen spezifischer und eindeutiger.
* Fügen Sie mehr Formatbeispiele hinzu.
* Verringern Sie die Komplexität des Prompts, die zu Interpretationsspielraum führen könnte.
* Testen Sie höhere Temperatureinstellungen (falls in der Verbindung verfügbar).
**Problem:** Hohe API-Kosten.
**Lösungen:**
* Optimieren Sie die Länge des Prompts.
* Verwenden Sie Annotated Text anstelle von PDF.
* Verarbeiten Sie Dokumente außerhalb der Spitzenzeiten in Batches.
* Ziehen Sie für einfache Dokumente die Verwendung kleinerer/günstigerer Modelle in Betracht.
* Überwachen Sie Budgetwarnungen und richten Sie sie im Dashboard des LLM-Providers ein.
***
## Fortgeschrittene Methoden
### Bedingte Extraktion
Sie können das LLM so anweisen, bestimmte Felder nur dann zu extrahieren, wenn Bedingungen erfüllt sind:
```
ACCOUNT NUMBER (CONDITIONAL)
1) Only extract if the document contains bank payment details.
2) If "Payment Method: Check" or similar appears, omit this field.
3) Recognize "Account Number", "Account No", "Acct #".
```
### Unterstützung mehrerer Sprachen
Die promptbasierte Extraktion eignet sich gut für mehrsprachige Dokumente:
```
VENDOR NAME (MEHRSPRACHIG)
1) Erkennen auf Englisch: "Vendor Name", "Supplier", "Seller"
2) Erkennen auf Deutsch: "Verkäufer", "Lieferant", "Anbieter"
3) Erkennen auf Französisch: "Fournisseur", "Vendeur"
4) Den vollständigen Firmennamen unabhängig von der Sprache extrahieren.
```
### Validierungsregeln
Fügen Sie Ihren Prompts eine Validierungslogik hinzu:
```
IBAN (MIT VALIDIERUNG)
1) Extrahieren Sie die vollständige IBAN genau wie gedruckt.
2) Überprüfen Sie, ob sie mit einem zweistelligen Ländercode beginnt.
3) Wenn das Format nicht dem IBAN-Muster entspricht, lassen Sie das Feld aus.
4) Erfinden Sie keine Prüfziffern oder Ländercodes.
```
### Beziehungen zwischen Feldern
Legen Sie fest, wie Felder zueinander in Beziehung stehen:
```
KONTONUMMER vs IBAN
- Kontonummer: In der Regel kürzer, numerisch, inländisches Format.
- IBAN: Alphanumerisch, beginnt mit dem Ländercode (z. B. „GB29 NWBK...").
- Wenn beide vorhanden sind, beide in separate Felder extrahieren.
- Wenn nur eines vorhanden ist, in das entsprechende Feld extrahieren.
- Denselben Wert nicht in beiden Feldern duplizieren.
```
***
## Einschränkungen und Hinweise
### Aktuelle Möglichkeiten
**Unterstützt:**
* ✅ Feldextraktion auf Kopfzeilenebene
* ✅ Ein- und mehrzeilige Werte
* ✅ Mehrere Felder pro Dokument
* ✅ Bedingte Extraktionslogik
* ✅ Mehrsprachige Dokumente
* ✅ Unterschiedliche Dokumentlayouts
**Eingeschränkt oder nicht unterstützt:**
* ⚠️ Tabellenextraktion (variiert je nach Implementierung)
* ⚠️ Komplexe verschachtelte Strukturen
* ⚠️ Sehr große Dokumente (Token-Limits)
* ⚠️ Echtzeitverarbeitung (API-Latenz)
* ⚠️ Garantiert deterministische Ergebnisse
### Wann Sie promptbasierte Extraktion verwenden sollten
Hinweise dazu, wann sich promptbasierte Extraktion eignet und wann traditionelle Extraktion vorzuziehen ist, finden Sie unter [Wann Sie LLMs verwenden sollten](/de/vantage/documentation/llms/llms#when-to-use-llms).
***
## Integration mit Document-Skills
### Verwenden extrahierter Daten
Nach Abschluss der Extraktion stehen die Felddaten im gesamten Document-Skill zur Verfügung:
1. **Validierungsaktivitäten**: Wenden Sie Geschäftsregeln auf extrahierte Werte an.
2. **Skript-Aktivitäten**: Verarbeiten oder transformieren Sie extrahierte Daten.
3. **Export-Aktivitäten**: Senden Sie Daten an externe Systeme.
4. **Prüfoberfläche**: Manuelle Verifizierung extrahierter Felder.
### Kombination mit anderen Aktivitäten
Die promptbasierte Extraktion kann auch zusammen mit anderen Aktivitäten eingesetzt werden:
```
Workflow Example:
1. Classification (identify document type)
2. OCR (extract text)
3. Prompt-based extraction (extract structured data)
4. Validation rules (verify data quality)
5. Script (format for export)
6. Output (deliver results)
```
### Feldzuordnung
Die extrahierten JSON-Felder werden Ihren definierten Ausgabefeldern automatisch zugeordnet:
* `"FieldName": "Vendor.Name"` → Wird dem Ausgabefeld `Vendor.Name` zugeordnet.
* Die Feldhierarchie bleibt in der Ausgabestruktur erhalten.
* Zeilennummern helfen bei der Verifizierung und Fehlerbehebung.
***
## Zusammenfassung
Sie haben erfolgreich:
* ✅ Eine promptbasierte Extraktionsaktivität erstellt.
* ✅ Eine LLM-Verbindung konfiguriert.
* ✅ Einen umfassenden Extraktions-Prompt mit Rolle, Format und Regeln verfasst.
* ✅ Das optimale Dokumentformat (Annotated Text) ausgewählt.
* ✅ Strenge-Regeln zur Sicherung der Datenqualität angewendet.
* ✅ Die Extraktion getestet und die Ergebnisse überprüft.
* ✅ Best Practices für Prompt Engineering kennengelernt.
**Wichtigste Erkenntnisse:**
* Die promptbasierte Extraktion verwendet Anweisungen in natürlicher Sprache.
* Das Format Annotated Text liefert die besten Ergebnisse.
* Klare, spezifische Prompts sorgen für eine konsistente Extraktion.
* Strenge-Regeln verhindern Halluzinationen und sichern die Datenqualität.
* Iteratives Testen und Verfeinern verbessern die Genauigkeit.
Ihre promptbasierte Extraktionsaktivität ist nun für die Dokumentverarbeitung bereit!
***
## Nächste Schritte
1. **Mit unterschiedlichen Dokumenten testen**: Validieren Sie die Lösung mit verschiedenen Dokumentlayouts und Varianten.
2. **Ihre Prompts verfeinern**: Verbessern Sie sie kontinuierlich auf Grundlage der Ergebnisse.
3. **Kosten überwachen**: Verfolgen Sie die Token-Nutzung im Dashboard Ihres LLM-Anbieters.
4. **Leistung optimieren**: Optimieren Sie Ihre Prompts hinsichtlich Geschwindigkeit und Genauigkeit.
5. **Tabellenextraktion erkunden**: Experimentieren Sie mit der Extraktion von Positionen (sofern unterstützt).
6. **In Workflows integrieren**: Kombinieren Sie dies mit anderen Aktivitäten für eine vollständige Verarbeitung.
***
## Weitere Ressourcen
* **ABBYY Vantage Advanced Designer-Dokumentation:** [https://docs.abbyy.com](https://docs.abbyy.com)
* **Leitfaden zum Einrichten von LLM-Verbindungen:** [LLM-Verbindungen konfigurieren](/de/vantage/documentation/skills/connections).
* **Best Practices für Prompt Engineering:** Siehe die Dokumentation Ihres LLM-Providers.
* **Support:** Wenden Sie sich an den ABBYY-Support, wenn Sie technische Unterstützung benötigen.
***
## Häufig gestellte Fragen
**F: Was ist der Unterschied zwischen promptbasierter und herkömmlicher Extraktion?** A: Die promptbasierte Extraktion verwendet natürliche Sprachanweisungen für LLMs und benötigt keine Trainingsdaten. Herkömmliche Methoden erfordern Trainingsbeispiele, sind im großen Maßstab aber schneller und kostengünstiger.
**F: Kann ich Tabellen mit promptbasierten Aktivitäten extrahieren?** A: Die Extraktion auf Kopfzeilenebene wird gut unterstützt. Die Möglichkeiten der Tabellenextraktion können variieren und erfordern möglicherweise eine bestimmte Prompt-Struktur.
**F: Warum sollte ich Annotated Text statt PDF verwenden?** A: Annotated Text bietet das beste Gleichgewicht zwischen Strukturerhalt und Verarbeitungseffizienz. In Tests hat sich dieses Format als am zuverlässigsten erwiesen.
**F: Wie kann ich API-Kosten senken?** A: Optimieren Sie die Prompt-Länge, verwenden Sie das Annotated-Text-Format, verarbeiten Sie effizient und überwachen Sie die Token-Nutzung über das Dashboard Ihres LLM-Providers.
**F: Was passiert, wenn meine LLM-Verbindung fehlschlägt?** A: Überprüfen Sie den Status Ihrer Verbindung unter Konfiguration → Verbindungen. Testen Sie die Verbindung, prüfen Sie die Anmeldedaten und stellen Sie sicher, dass Ihr API-Kontingent nicht überschritten wurde.
**F: Kann ich mehrere LLM-Verbindungen in einer Skill verwenden?** A: Ja, verschiedene Aktivitäten können unterschiedliche Verbindungen verwenden. So können Sie für verschiedene Extraktionsaufgaben unterschiedliche Modelle einsetzen.
**F: Wie gehe ich mit Dokumenten in mehreren Sprachen um?** A: Fügen Sie Ihren Feldregeln mehrsprachige Label-Varianten hinzu. LLMs kommen in der Regel gut mit mehrsprachigen Inhalten zurecht.
**F: Wie groß darf ein Dokument maximal sein?** A: Das hängt von den Token-Limits Ihres LLM-Providers ab. Sehr lange Dokumente müssen möglicherweise aufgeteilt oder in Abschnitten verarbeitet werden.