4. Die Aktivität wird in Ihrem Workflow-Canvas angezeigt.
5. Verbinden Sie sie zwischen den Eingabe- und Ausgabeaktivitäten.
**Strukturkomponenten:**
* **FieldName**: Muss exakt mit Ihren Felddefinitionen übereinstimmen (z. B. `Vendor.Name`).
* **Text**: Der extrahierte Wert als string.
* **Line**: 0-basierter Zeilenindex der Zeile, in der der Wert im Dokument erscheint.
**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 Fehlersuche.
***
## Schritt 6: Feldspezifische Extraktionsregeln hinzufügen
Geben Sie detaillierte Anweisungen für die Extraktion jedes Feldes.
Fügen Sie unterhalb des OUTPUT FORMAT spezifische Regeln für jeden Feldtyp hinzu:
```
VENDORNAME
1) Erkennen Sie Namen wie „ABC Corporation", „XYZ Ltd", „Acme Inc.".
2) Extrahieren Sie den vollständigen Firmennamen einschließlich rechtlicher Zusätze (Ltd, Inc, GmbH usw.).
3) Der Vendorname erscheint typischerweise oben im Dokument.
VENDORADRESSE
1) Extrahieren Sie die vollständige Adresse einschließlich Straße, Stadt, Postleitzahl.
2) Stellen Sie bei mehrzeiligen Adressen jede neue Zeile mit „\n" dar.
3) Nur Vendor-Seite; Kunden-/Käuferadressen ausschließen.
KONTONUMMER
1) Erkennen Sie „Account Number", „Account No", „Acct #".
2) Extrahieren Sie das numerische Format genau wie gedruckt (z. B. „12-34-56" oder „500 105 17").
3) Nur Vendor-eigene Konten (z. B. Abschnitte „Beneficiary" oder „Vendor Payment").
4) Ignorieren Sie IBAN – es hat ein eigenes Feld.
BANKLEITZAHL
1) Erkennen Sie „Sort Code", „Sort No.", „BLZ", „Bankleitzahl".
2) Extrahieren Sie das numerische Format genau wie gedruckt (z. B. „12-34-56" oder „500 105 17").
3) Nur Vendor-Seite; Zahler-/Käufercodes ignorieren.
IBAN
1) Erkennen Sie „IBAN", „International Bank Account Number".
2) Extrahieren Sie die vollständige IBAN genau wie gedruckt (einschließlich Leerzeichen).
3) Nur Vendor-Seite, typischerweise unter „Bankverbindung", „Coordonnées bancaires", „Payment Details" oder „Beneficiary Bank".
BIC_SWIFT
1) Erkennen Sie „BIC", „SWIFT" oder „BIC/SWIFT".
2) Extrahieren Sie die vollständige Kennung (normalerweise 8 oder 11 Großbuchstaben/Zahlen).
3) Nur Vendor-Seite, in der Nähe der IBAN oder des Banknamens.
4) Kunden-/Zahlerdaten ausschließen.
```
**Regelstruktur:**
* **Erkennungsmuster**: Alternative Bezeichnungen für jedes Feld auflisten.
* **Formatangaben**: Exaktes zu extrahierendes Format beschreiben.
* **Positionshinweise**: Wo die Daten typischerweise zu finden sind.
* **Ausschlüsse**: Was NICHT extrahiert werden soll.
**Best Practices:**
* Nummerieren Sie Ihre Regeln für bessere Übersichtlichkeit.
* Geben Sie mehrere Bezeichnungsvarianten an.
* Geben Sie an, wem die Daten gehören (auf Vendor-Seite vs. kundenseitig).
* Fügen Sie Formatbeispiele in Klammern hinzu.
* Seien Sie explizit bei zugehörigen Feldern (z. B. "IBAN ignorieren — sie hat ihr eigenes Feld").
***
## Schritt 7: Strictness-Regeln anwenden
Fügen Sie Validierungsregeln hinzu, um Datenqualität und Konsistenz sicherzustellen.
Fügen Sie am Ende Ihres Prompts den Abschnitt **STRICTNESS** hinzu:
```
STRICTNESS
- Niemals Werte generieren oder ableiten.
- Mehrdeutige oder fehlende Felder weglassen.
- Wenn keine der Vendor-Felder gefunden werden, Folgendes zurückgeben:
{
"Fields": []
}
```
**Zusätzliche Strenge-Regeln (optional):**
```
ALLGEMEINE REGELN
- Extrahieren Sie genau einen Wert pro Feld.
- Überspringen Sie jedes Feld, das nicht sicher lokalisiert werden kann — lassen Sie es in der Ausgabe weg.
- „FieldName" muss exakt mit den oben genannten Namen übereinstimmen.
- „Text" muss wörtlich aus dem Dokument kopiert werden — keine Normalisierung oder Inferenz.
- Für mehrzeilige Werte (z. B. Adressen) stellen Sie jede neue Zeile mit der Escape-Sequenz „\n" dar (ein Backslash gefolgt vom Buchstaben n).
- Fügen Sie keine HTML-Tags wie in den Ausgabetext ein. - „Line" ist der 0-basierte Index der ersten Zeile, die den extrahierten Wert enthält; fügen Sie ihn nur hinzu, wenn er verifizierbar ist. ``` **Warum Strenge wichtig ist:** * **Verhindert Halluzinationen**: LLMs können plausibel wirkende, aber falsche Daten erzeugen. * **Stellt Konsistenz sicher**: Klare Regeln verringern die Unterschiede zwischen Durchläufen. * **Geht mit fehlenden Daten um**: Definiert, was zu tun ist, wenn Felder nicht gefunden werden. * **Erhält die Datenintegrität**: 1:1-Extraktion im Originalwortlaut bewahrt das ursprüngliche Format. **Wichtige Prinzipien der Strenge:** * Niemals Daten erzeugen, die nicht im Dokument vorhanden sind. * Unsichere Extraktionen lieber auslassen, als zu raten. * Eine leere Struktur zurückgeben, wenn keine Felder gefunden werden. * Feldnamen exakt einhalten. * Ursprüngliche Textformatierung beibehalten. ***
## Schritt 8: Dokumentformat auswählen
Wählen Sie, welche Dokumentdarstellung an das LLM gesendet werden soll.
1. Suchen Sie im Activity Editor die Dropdown-Liste **Prompt**.
2. Sie sehen Optionen, wie das Dokument dem LLM bereitgestellt wird.
**Verfügbare Formate:**
* **PDF**: Ursprüngliche PDF-Datei
* Einsatz für: Dokumente, bei denen das Layout entscheidend ist
* Hinweise: Größere Dateigröße, einige LLMs haben nur eingeschränkte PDF-Unterstützung
## Schritt 9: Testen Sie Ihre Extraktion
Führen Sie die Activity mit Beispieldokumenten aus, um die Ergebnisse zu prüfen.
### Aktivität ausführen
1. Schließen Sie den Activity Editor.
2. Navigieren 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 hat
* Verarbeitungszeit: in der Regel 5–30 Sekunden, abhängig von der Komplexität des Dokuments.
* Während Sie auf die API-Antwort warten, wird eine Ladeanzeige angezeigt.
### Ergebnisse überprüfen
Sobald die Verarbeitung abgeschlossen ist:
1. Die Oberfläche wechselt zur **Predictive view**.
2. Überprüfen Sie das **Output**-Panel mit den extrahierten Feldern.
3. Klicken Sie auf jedes Feld, um Folgendes zu sehen:
* Extrahierter Wert
* Konfidenzwert (falls verfügbar)
* Hervorgehobener Bereich im Dokumentbild
**Was Sie prüfen sollten:**
* ✅ Alle erwarteten Felder sind ausgefüllt
* ✅ Werte stimmen exakt mit dem Dokument überein
* ✅ Keine halluzinierten oder abgeleiteten Daten
* ✅ Korrekte Verarbeitung von mehrzeiligen Feldern
* ✅ Fehlende Felder werden ausgelassen (nicht mit falschen Daten aufgefüllt)
### Häufige 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
Optimieren Sie Ihren Prompt anhand der Testergebnisse.
### Häufige Probleme und Lösungen
**Problem: LLM extrahiert das falsche Feld**
* **Lösung**: Fügen Sie genauere Positionshinweise hinzu.
* **Beispiel**: „Nur Vendor-Seite; Kunden-/Käuferadressen ausschließen“
**Problem: Formatierung wird geändert**
* **Lösung**: Betonen Sie die wortgetreue Extraktion.
* **Beispiel**: „Extrahieren Sie das numerische Format exakt wie gedruckt (z. B. ‚12-34-56‘)“
**Problem: LLM erfindet Daten**
* **Lösung**: Verschärfen Sie die Regeln zur Striktheit.
* **Beispiel**: „Werte niemals generieren oder ableiten. Auslassen, wenn nicht vorhanden.“
**Problem: Mehrzeilige Felder werden zusammengeführt**
* **Lösung**: Geben Sie Escape-Sequenzen an.
* **Beispiel**: „Für mehrzeilige Werte `\n` für Zeilenumbrüche verwenden“
**Problem: Falsche Feldnamen in der Ausgabe**
* **Lösung**: Stellen Sie sicher, dass Feldnamen exakt übereinstimmen.
* **Beispiel**: Verwenden Sie `Vendor.Account Number` und nicht `AccountNumber`
### Iterativer Verbesserungsprozess
1. **Mit mehreren Dokumenten testen**: Nicht für ein einzelnes Beispiel optimieren.
2. **Muster dokumentieren**: Notieren, welche Regeln funktionieren und welche verfeinert werden müssen.
3. **Konkrete Beispiele hinzufügen**: Formatbeispiele in Klammern angeben.
4. **Strenge verfeinern**: Auf Basis von Über- bzw. Unterextraktion anpassen.
5. **Randfälle testen**: Dokumente mit fehlenden Feldern oder ungewöhnlichen Layouts ausprobieren.
### Beispiele für Verfeinerungen
**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.
```
***
## Extraktionsprozess verstehen
### Funktionsweise der promptbasierten Extraktion
1. **Dokumentkonvertierung**: Ihr Dokument wird in das ausgewählte Format umgewandelt (Format Annotated Text empfohlen).
2. **Prompt-Erstellung**: Ihre Rolle, das Ausgabeformat, Feldregeln und Regeln zur Strenge werden zu einem Prompt zusammengeführt.
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 Daten gemäß Ihren Anweisungen.
5. **JSON-Antwort**: Das LLM gibt strukturierte Daten im angegebenen JSON-Format zurück.
6. **Feldzuordnung**: Vantage ordnet die JSON-Antwort den von Ihnen definierten Ausgabefeldern zu.
7. **Verifizierung**: Zeilennummern und Konfidenzwerte (falls bereitgestellt) unterstützen die Überprüfung der Genauigkeit.
### Tokenverbrauch und Kosten
**Faktoren, die die Kosten beeinflussen:**
* **Dokumentenlänge**: Längere Dokumente verwenden mehr Token.
* **Komplexität des Prompts**: Detaillierte Prompts erhöhen den Tokenverbrauch.
* **Formatwahl**: Annotated Text ist in der Regel effizienter als PDF.
* **Anzahl der Felder**: Mehr Felder = längere Prompts.
**Optimierungstipps:**
* Verwenden Sie prägnante, aber klare Formulierungen in Prompts.
* Wiederholen Sie Anweisungen nicht.
* Entfernen Sie unnötige Beispiele.
* Erwägen Sie, verwandte Felder zu gruppieren.
***
## Bewährte Vorgehensweisen
### Prompt-Erstellung
**Do:**
* ✅ Klare, imperative Anweisungen verwenden („Extract“, „Recognize“, „Omit“).
* ✅ Mehrere Bezeichnungsvarianten für jedes Feld angeben.
* ✅ Formatbeispiele in Klammern hinzufügen.
* ✅ Angeben, was NICHT extrahiert werden soll (Ausschlüsse).
* ✅ Regeln nummerieren, um das Nachschlagen zu erleichtern.
* ✅ Einheitliche Terminologie durchgängig verwenden.
**Don't:**
* ❌ Unklare Anweisungen verwenden („get the name“).
* ❌ Davon ausgehen, dass das LLM domainspezifische Konventionen kennt.
* ❌ Übermäßig lange, komplexe Sätze schreiben.
* ❌ Sich in verschiedenen Abschnitten widersprechen.
* ❌ Regeln zur Strenge nicht weglassen.
### Felddefinitionen
**Effektive Feldanweisungen:**
* Beginnen Sie mit Erkennungsmustern (alternativen Bezeichnungen).
* Geben Sie das exakt beizubehaltende Format an.
* Geben Sie Positionierungshinweise an (typische Platzierung).
* Definieren Sie die Datenverantwortung (Vendor vs. Kunde).
* Beschreiben Sie den Umgang mit mehrzeiligen Werten.
* Verweisen Sie auf verwandte Felder, um Verwechslungen zu vermeiden.
**Beispiel:**
```
IBAN
1) Erkennen Sie „IBAN", „International Bank Account Number".
2) Extrahieren Sie die vollständige IBAN genau wie abgedruckt (einschließlich Leerzeichen).
3) Nur auf Vendor-Seite, typischerweise unter „Bankverbindung", „Payment Details".
4) NICHT mit Kontonummer verwechseln — IBAN ist länger und alphanumerisch.
```
### Teststrategie
1. **Mit einfachen Dokumenten beginnen**: Zuerst die grundlegende Extraktion testen.
2. **Auf Varianten erweitern**: Verschiedene Layouts und Formate ausprobieren.
3. **Randfälle testen**: Fehlende Felder, ungewöhnliche Positionen, mehrfache Treffer.
4. **Fehler dokumentieren**: Beispiele aufbewahren, in denen die Extraktion fehlschlägt.
5. **Systematisch iterieren**: Immer nur eine Sache auf einmal ändern.
### Leistungsoptimierung
**Für Geschwindigkeit:**
* Halten Sie Prompts prägnant.
* Verwenden Sie das Annotated Text-Format.
* Minimieren Sie die Anzahl der Felder pro Aktivität.
* Erwägen Sie das Aufteilen komplexer Dokumente.
**Für Genauigkeit:**
* Definieren Sie umfassende Feldregeln.
* Fügen Sie Formatbeispiele hinzu.
* Ergänzen Sie strikte Validierungsregeln.
* Testen Sie mit unterschiedlichen Dokumentbeispielen.
**Im Hinblick auf die Kosten:**
* Optimieren Sie die Prompt-Länge.
* Verwenden Sie effiziente Dokumentformate.
* Speichern Sie Ergebnisse bei Bedarf zwischen.
* Überwachen Sie den Token-Verbrauch über das Dashboard des LLM-Anbieters.
***
## Fehlerbehebung
### Extraktionsprobleme
**Problem:** Felder sind leer, obwohl Daten vorhanden sind.
**Lösungen:**
* Prüfen Sie, ob die Schreibweise des Feldnamens exakt übereinstimmt.
* Stellen Sie sicher, dass sich die Daten im ausgewählten Dokumentformat befinden.
* Fügen Sie weitere Label-Varianten zu den Erkennungsmustern hinzu.
* Verringern Sie den Strengegrad vorübergehend, um zu prüfen, ob das LLM die Daten findet.
* Prüfen Sie, ob die Dokumentqualität die OCR/Text-Extraktion beeinflusst.
**Problem:** LLM extrahiert Kundendaten statt Vendor-Daten.
**Lösungen:**
* Schärfen Sie die Spezifikationen für die Vendor-Seite.
* Fügen Sie explizite Ausschlüsse für Kunden-/Käuferdaten hinzu.
* Geben Sie Positionshinweise an (z. B. „oben im Dokument“, „Ausstellerbereich“).
* Fügen Sie Beispiele für korrekte vs. inkorrekte Extraktion hinzu.
**Problem:** Mehrzeilige Werte werden zusammengefügt oder fehlerhaft dargestellt.
**Lösungen:**
* Geben Sie das Format der Escape-Sequenz explizit an (`\n`).
* Stellen Sie Beispiele für eine korrekte mehrzeilige Ausgabe bereit.
* Stellen Sie sicher, dass das Dokumentformat Zeilenumbrüche beibehält.
* Fügen Sie die Anweisung hinzu: „Ursprüngliche Zeilenumbrüche mit `\n` beibehalten“.
**Problem:** LLM formatiert oder normalisiert Daten um.
**Lösungen:**
* Betonen Sie „wortgetreu“ und „genau wie gedruckt“.
* Fügen Sie eine Strenge-Regel hinzu: „Keine Normalisierung oder Ableitung“.
* Geben Sie konkrete Beispiele an, die die Beibehaltung der Formatierung zeigen.
* Fügen Sie Negativbeispiele ein: „Nicht ‚12-34-56‘, beibehalten als ‚12 34 56‘“.
### Leistungsprobleme
**Problem:** Die Extraktion ist zu langsam.
**Lösungen:**
* Wechseln Sie zum Annotated Text-Format, wenn Sie PDFs verwenden.
* Vereinfachen Sie den Prompt, ohne wichtige Anweisungen zu verlieren.
* Reduzieren Sie die Dokumentauflösung, wenn Bilder sehr groß sind.
* Überprüfen Sie den Status und die Rate-Limits des LLM-Anbieters.
* Ziehen Sie ein schnelleres Modell für einfache Dokumente in Betracht.
**Problem:** Inkonsistente Ergebnisse zwischen Durchläufen.
**Lösungen:**
* Verschärfen Sie die Strengevorgaben.
* Formulieren Sie die Anweisungen genauer und eindeutiger.
* Fügen Sie mehr Formatbeispiele hinzu.
* Reduzieren Sie die Prompt-Komplexität, die zu Interpretationen führen könnte.
* Testen Sie mit höheren Temperatureinstellungen (falls in der Verbindung verfügbar).
**Problem:** Hohe API-Kosten.
**Lösungen:**
* Optimieren Sie die Prompt-Länge.
* Verwenden Sie Annotated Text anstelle von PDF.
* Verarbeiten Sie Dokumente in Batches außerhalb der Spitzenzeiten.
* Ziehen Sie kleinere/günstigere Modelle für einfache Dokumente in Betracht.
* Überwachen Sie das Budget und richten Sie Budgetwarnungen im Dashboard des LLM-Anbieters ein.
***
## Fortgeschrittene Techniken
### Bedingte Extraktion
Sie können das LLM anweisen, bestimmte Felder nur zu extrahieren, wenn festgelegte Bedingungen erfüllt sind:
```
KONTONUMMER (BEDINGT)
1) Nur extrahieren, wenn das Dokument Bankzahlungsdetails enthält.
2) Wenn „Zahlungsart: Scheck" oder Ähnliches erscheint, dieses Feld auslassen.
3) „Kontonummer", „Konto-Nr.", „Kto.-Nr." erkennen.
```
### Unterstützung mehrerer Sprachen
Promptbasierte Extraktion funktioniert auch mit mehrsprachigen Dokumenten sehr gut:
```
VENDOR NAME (MULTI-LANGUAGE)
1) Recognize in English: "Vendor Name", "Supplier", "Seller"
2) Recognize in German: "Verkäufer", "Lieferant", "Anbieter"
3) Recognize in French: "Fournisseur", "Vendeur"
4) Extract the complete company name regardless of language.
```
### Validierungsregeln
Fügen Sie Validierungslogik zu Ihren Prompts hinzu:
```
IBAN (WITH VALIDATION)
1) Extract the full IBAN exactly as printed.
2) Verify it starts with a 2-letter country code.
3) If format doesn't match IBAN pattern, omit the field.
4) Do not invent check digits or country codes.
```
### Feldbeziehungen
Legen Sie fest, wie Felder miteinander in Beziehung stehen:
```
ACCOUNT NUMBER vs IBAN
- Account Number: Usually shorter, numeric, domestic format.
- IBAN: Alphanumeric, starts with country code (e.g., "GB29 NWBK...").
- If both are present, extract both to separate fields.
- If only one is present, extract to the appropriate field.
- Do not duplicate the same value in both fields.
```
***
## Einschränkungen und Überlegungen
### Aktuelle Funktionen
**Unterstützt:**
* ✅ Feldextraktion auf Header-Ebene
* ✅ Ein- und mehrzeilige Werte
* ✅ Mehrere Felder pro Dokument
* ✅ Bedingte Extraktionslogik
* ✅ Mehrsprachige Dokumente
* ✅ Variable Dokumentlayouts
**Eingeschränkt oder nicht unterstützt:**
* ⚠️ Tabellenextraktion (unterscheidet sich je nach Implementierung)
* ⚠️ Verschachtelte komplexe Strukturen
* ⚠️ Sehr große Dokumente (Token-Limits)
* ⚠️ Echtzeitverarbeitung (API-Latenz)
* ⚠️ Garantiert deterministische Ergebnisse
### Wann Sie die promptbasierte Extraktion verwenden sollten
**Am besten geeignet für:**
* Dokumente mit variablen Layouts
* Teilstrukturierte Dokumente
* Schnelles Prototyping und Testen
* Kleine bis mittlere Dokumentvolumina
* Wenn keine Trainingsdaten verfügbar sind
* Mehrsprachige Dokumentverarbeitung
**Alternativen in Betracht ziehen bei:**
* Produktivbetrieb mit hohem Volumen (traditionelles ML kann schneller sein)
* Stark strukturierte Formulare (vorlagenbasierte Extraktion)
* Kostenkritische Anwendungen (traditionelle Methoden können günstiger sein)
* Latenzkritische Anwendungen (LLM-APIs haben Netzwerklatenz)
* Anforderungen an Offline-Verarbeitung (für traditionelle Methoden ist kein Internet erforderlich)
***
## Integration mit Document-Skills
### Verwendung extrahierter Daten
Sobald die Extraktion abgeschlossen ist, stehen die Felddaten im gesamten Document-Skill zur Verfügung:
1. **Validierungsaktivitäten**: Geschäftsregeln auf extrahierte Werte anwenden.
2. **Skriptaktivitäten**: Extrahierte Daten verarbeiten oder transformieren.
3. **Exportaktivitäten**: Daten an externe Systeme senden.
4. **Review-Oberfläche**: Manuelle Überprüfung der extrahierten Felder.
### Kombinieren mit anderen Activities
Promptbasierte Extraktion kann zusammen mit anderen Activities 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 automatisch Ihren definierten Ausgabefeldern zugeordnet:
* `"FieldName": "Vendor.Name"` → wird dem Ausgabefeld `Vendor.Name` zugeordnet.
* Die Feldhierarchie bleibt in der Ausgabestruktur erhalten.
* Zeilennummern helfen bei der Überprüfung und Fehlerbehebung.
***
## Zusammenfassung
Sie haben erfolgreich:
* ✅ Eine promptbasierte Extraktionsaktivität erstellt.
* ✅ Eine LLM-Verbindung konfiguriert.
* ✅ Einen umfassenden Extraktions-Prompt mit Rolle, Format und Regeln geschrieben.
* ✅ Das optimale Dokumentformat (Annotated Text) ausgewählt.
* ✅ Strenge Regeln zur Sicherstellung der Datenqualität angewendet.
* ✅ Die Extraktion getestet und die Ergebnisse überprüft.
* ✅ Best Practices für Prompt-Engineering gelernt.
**Wichtigste Erkenntnisse:**
* Promptbasierte Extraktion verwendet Anweisungen in natürlicher Sprache.
* Das Annotated-Text-Format liefert die besten Ergebnisse.
* Klare, spezifische Prompts führen zu einer konsistenten Extraktion.
* Strenge Regeln verhindern Halluzinationen und sichern die Datenqualität.
* Iteratives Testen und Verfeinern verbessert die Genauigkeit.
Ihre promptbasierte Extraktionsaktivität ist nun für die Dokumentverarbeitung bereit!
***
## Weitere Schritte
1. **Mit unterschiedlichen Dokumenten testen**: Validieren Sie Ihre Lösung mit verschiedenen Layouts und Varianten.
2. **Prompts verfeinern**: Verbessern Sie diese kontinuierlich auf Basis der Ergebnisse.
3. **Kosten überwachen**: Verfolgen Sie die Token-Nutzung im Dashboard Ihres LLM-Anbieters.
4. **Performance optimieren**: Stimmen Sie Prompts auf Geschwindigkeit und Genauigkeit ab.
5. **Tabellenextraktion erkunden**: Experimentieren Sie mit dem Extrahieren von Positionen (wiederholte Gruppe) (falls unterstützt).
6. **In Workflows integrieren**: Kombinieren Sie dies mit anderen Aktivitäten für eine vollständige Verarbeitung.
***
## Zusätzliche Ressourcen
* **ABBYY Vantage Advanced Designer-Dokumentation:** [https://docs.abbyy.com](https://docs.abbyy.com)
* **Leitfaden zur Einrichtung von LLM-Verbindungen:** [LLM-Verbindungen konfigurieren](/de/vantage/how-to/connections).
* **Best Practices für Prompt-Engineering:** Konsultieren Sie die Dokumentation Ihres LLM-Anbieters.
* **Support:** Wenden Sie sich für technische Unterstützung an den ABBYY-Support.
***
## Häufig gestellte Fragen
**F: Was ist der Unterschied zwischen promptbasierter und traditioneller Extraktion?**
A: Promptbasierte Extraktion verwendet LLM-Anweisungen in natürlicher Sprache ohne Trainingsdaten. Traditionelle Methoden benötigen Trainingsbeispiele, sind aber in großem Maßstab schneller und kosteneffizienter.
**F: Kann ich mit promptbasierten Activities Tabellen extrahieren?**
A: Die Extraktion auf Kopfzeilenebene wird gut unterstützt. Die Fähigkeiten zur Tabellenextraktion können variieren und erfordern möglicherweise spezielle Prompt-Strukturen.
**F: Warum Annotated Text statt PDF verwenden?**
A: Annotated Text bietet das beste Gleichgewicht zwischen Strukturerhaltung und Verarbeitungseffizienz. In Tests hat sich dieses Format als am zuverlässigsten erwiesen.
**F: Wie reduziere ich API-Kosten?**
A: Optimieren Sie die Prompt-Länge, verwenden Sie das Annotated-Text-Format, verarbeiten Sie Dokumente effizient und überwachen Sie den Token-Verbrauch über das Dashboard Ihres LLM-Anbieters.
**F: Was ist, wenn meine LLM-Verbindung fehlschlägt?**
A: Prüfen Sie Ihren Verbindungsstatus unter Configuration → Connections. Testen Sie die Verbindung, überprüfen Sie Ihre Zugangsdaten und stellen Sie sicher, dass Ihr API-Kontingent nicht überschritten ist.
**F: Kann ich mehrere LLM-Verbindungen in einem Skill verwenden?**
A: Ja, unterschiedliche Activities können verschiedene Verbindungen nutzen. So können Sie unterschiedliche Modelle für verschiedene Extraktionsaufgaben einsetzen.
**F: Wie gehe ich mit Dokumenten in mehreren Sprachen um?**
A: Fügen Sie mehrsprachige Label-Varianten zu Ihren Feldregeln hinzu. LLMs verarbeiten mehrsprachige Inhalte in der Regel gut.
**F: Wie groß darf ein Dokument maximal sein?**
A: Das hängt von den Token-Grenzen Ihres LLM-Anbieters ab. Sehr lange Dokumente müssen möglicherweise aufgeteilt oder abschnittsweise verarbeitet werden.