外观

象信控制台
抽取

预解析值抽取

正则先找出候选的邮箱、电话和金额，象信只负责选出问题要的那一个，代码原样复制并规范化。32 篇真实政府公告、134 个字段：文中有值的 112 个全部选对，置信度 ≥ 0.60 自动通过的 108 个无一出错。

预解析值抽取 ​

正则找出候选值，象信选出问题要的那一个，代码原样复制。

一篇政府采购中标公告里通常有两三个电话、七八个金额，一份部委征求意见通知里常常有两位联系人、各自的电话、传真和邮箱。要从中取出「采购代理机构的电话」「代理服务费」「环境规划院联系人的邮箱」，难点不在于认出什么是电话号码——正则就能做到——而在于认出哪一个号码扮演了问题里的角色。

本篇把这件事拆成三步：

  1. 正则找候选。 正则调得宁多勿漏，把文中所有像邮箱、电话、金额的片段都找出来。
  2. 象信做选择。 一道 Choice，选项就是这些候选片段本身，再加一个 none（"候选里没有要找的值"）。需要时再顺带问一个属性，例如不带区号的座机属于哪个城市。
  3. 代码复制并规范化。 把选中的片段原样拿过来，转成 E.164 电话号码、以元为单位的 Decimal 金额或小写邮箱。

因为象信只能在正则找到的片段之间做选择，最后拿到的值一定是原文里的某个片段，不会凭空编出一个号码，也不会抄错一位数字。

一句话结论（全部来自 2026-09-25 的真实运行）：在 32 篇真实公告、134 个字段上，文中确有值的 112 个字段全部选对；「总是取第一个候选」的基线只对 63 个。置信度 ≥ 0.60 的 108 个答案自动通过，全部正确；剩下 26 个送人工复核，其中 22 个正是「文中没有这个值」的问题——象信在这类问题上答得不稳，但它的低置信度把它们都拦了下来。32 次调用共 30,190 个输入 token，约合 ¥0.0013。

环境准备 ​

bash
pip install xiangxin-sdk phonenumbers
export XIANGXIN_API_KEY="sk-xx-..."

模型为 xiangxin-latest（本次运行全部返回 xiangxin-1.0.0）。

数据 ​

两类真实公开文本，2026-09-25 抓取，只去掉了网页导航和页脚：

来源篇数我们要取的字段
北京市政府采购网 市级、区级中标（成交）公告14中标总金额、代理服务费、采购人电话、代理机构电话、中标供应商电话（文中没有）
北京市政府采购网 公开招标公告3预算金额、采购人 / 代理机构电话、保证金发票咨询电话、技术支持热线、两个用途不同的邮箱
生态环境部 公开征求意见的通知 / 函（2026 年 8–9 月）15联系人邮箱、电话、传真（部分文中没有）；两位联系人时按单位分别取

合计 134 个字段：电话 79 个、金额 31 个、邮箱 24 个；其中 22 个字段文中没有值（例如中标公告从不公布中标供应商的电话，有的通知没有传真），正确答案是 none。期望值由本文作者对照原文人工标注；一个联系人列了两个号码时（如「（010）65645472、65645453」），两个都算对。文档与标注见 data/documents.json、data/fields.json。

这些公告的写法很不统一，正好考验正则和选择两步：

text
联系方式：肖老师,66052683                      ← 座机不带区号
联系方式：周敏， 17310575369                   ← 手机
联系方式：刘佳,67358115-8020                   ← 带分机
联系方式：朱晨光、崔文峰、闻爽、高红梅、石罗庚，01064001063   ← 区号和号码连写
联系方式：单楠、……、张书玲，010-60624505转821/807
电话：（010）65645472、65645453                ← 一人两个号码，第二个省略区号

第一步：正则，宁多勿漏 ​

python
import re

EMAIL_RE = re.compile(r"[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Za-z]{2,}")
PHONE_RE = re.compile(
    r"(?<![\dA-Za-z])(?:"
    r"(?:[（(]0\d{2,3}[）)]\s*|0\d{2,3}\s*[-－]\s*)?(?:1[3-9]\d{9}|[2-9]\d{6,7})"  # 座机 / 手机，可带区号
    r"|0\d{9,11}"                    # 区号和号码连写，如 01064001063
    r"|400[-－]?\d{3}[-－]?\d{4}"     # 400 热线
    r")(?:(?:转|-)\d{1,4})?(?![\dA-Za-z])"  # 分机号
)
MONEY_RE = re.compile(
    r"[￥¥]\s?\d[\d,]*(?:\.\d+)?\s?(?:万?元)?"   # ￥0 元
    r"|(?<![\d.])\d[\d,]*(?:\.\d+)?\s?万?元"     # 42.681057 万元、2万元
)


def find(pattern: re.Pattern, text: str) -> list[str]:
    """按出现顺序去重；去掉空白后相同的算同一个候选。"""
    seen, out = set(), []
    for m in pattern.finditer(text):
        span = re.sub(r"\s+", "", m.group())
        if span and span not in seen:
            seen.add(span)
            out.append(span)
    return out

前后的 (?<![\dA-Za-z])、(?![\dA-Za-z]) 让正则不去切 18 位统一社会信用代码或 20 位项目编号的中间几位。除此之外它有意放宽：招标公告里的「CA 数字证书服务热线」「电子营业执照服务热线」「技术支持服务热线」、「售价：￥0 元」、分包单价，统统进入候选。平均每个问题面对 2.4 个电话候选、2.9 个金额候选、1.4 个邮箱候选；最多的一篇（医用设备带量采购中标公告，三家供应商、多个分包）有 10 个金额候选。

第二步：象信只做选择 ​

python
from xiangxin import Choice, XiangxinClient

NONE = "none"
CITIES = {"北京": "010", "上海": "021", "天津": "022", "重庆": "023", "广州": "020", "其他城市": None}


def pick_question(question: str, candidates: list[str]) -> Choice:
    """选项就是正则找到的原文片段，所以答案只可能是其中之一（或 none）。"""
    return Choice(
        instructions=question,
        criteria={c: None for c in candidates} | {NONE: "候选中没有问题要找的值"},
    )


CITY_QUESTION = Choice(
    instructions="文中不带区号的固定电话号码，属于哪个城市？",
    criteria={c: None for c in CITIES},
)

一篇文档的所有字段放进同一次请求（见 并行提问）：每个字段一道 pick_question，候选里有不带区号的座机时再加一道 CITY_QUESTION。这样 32 篇文档一共只发了 32 次请求、144 道题。

python
client = XiangxinClient()

def ask(document: str, questions: dict[str, Choice]) -> dict:
    resp = client.system_one(state=document, questions=questions, model="xiangxin-latest")
    return {k: {"choice": a.choice, "confidence": a.confidence} for k, a in resp.answers.items()}

第三步：代码复制并规范化 ​

python
from decimal import Decimal
import phonenumbers


def to_yuan(span: str) -> str:
    """'42.681057万元' -> '426810.57'（单位：元）。"""
    number = Decimal(re.search(r"\d[\d,]*(?:\.\d+)?", span).group().replace(",", ""))
    if "万" in span:
        number *= 10000
    return format(number.normalize(), "f")


def to_e164(span: str, area_code: str | None) -> str | None:
    """'（010）65646333' / '66052683' + 北京 -> '+861065646333'；分机号去掉。"""
    s = re.sub(r"(转\d{1,4}|(?<=\d{7})-\d{1,4})$", "", span)
    digits = re.sub(r"\D", "", s)
    if re.fullmatch(r"1[3-9]\d{9}", digits) or digits.startswith(("0", "400")):
        number = digits
    elif area_code:  # 不带区号的座机，用象信读出的城市补上区号
        number = area_code + digits
    else:
        return None
    return phonenumbers.format_number(
        phonenumbers.parse(number, "CN"), phonenumbers.PhoneNumberFormat.E164
    )

数字本身不会告诉你 66052683 在哪个城市，公告里的「北京市东城区中华路 4 号」会。象信读地址回答城市（本次 10 篇需要补区号的文档都答「北京」，置信度 0.90–0.98），代码用 phonenumbers 拼出 +861066052683。

三个例子 ​

金额：十个候选里挑总额和代理费 ​

「市属医院 2026 年医用设备集中带量采购放射组第三批中标公告」有三家中标供应商、多个分包，正则找到 10 个金额：

text
候选：['1291.8万元', '180.8万元', '431万元', '680万元', '45.2万元', '153万元',
       '306万元', '125万元', '170万元', '14.12631万元']
中标（成交）总金额 -> 1291.8万元    规范化 12918000 元    置信 0.99
代理服务费总金额   -> 14.12631万元  规范化 141263.1 元    置信 0.98

邮箱和电话：同一家代理机构，不同用途 ​

「北京石油化工学院……复合双臂智能机器人开发平台公开招标公告」里，代理机构留了两个邮箱，一个「仅用于采购文件咨询」，一个管「保证金、发票等咨询」；电话候选有 7 个，包括平台的三条服务热线：

text
邮箱候选：['xy@zbbmcc.com', 'fc@zbbmcc.com']
对招标文件技术部分有疑问，应该发邮件到哪个邮箱？   -> xy@zbbmcc.com   置信 0.97
保证金、发票等事宜应该发邮件到哪个邮箱？           -> fc@zbbmcc.com   置信 0.96

电话候选：['010-58511086', '400-699-7000', '010-86483801', '010-82370045',
           '010-81292071', '010-61196305', '010－82370045']
北京市政府采购电子交易平台的技术支持服务热线是哪个？ -> 010-86483801  置信 0.90
采购人（采购单位）的联系电话是哪个？               -> 010-81292071  置信 0.66
中标通知书领取、服务费发票、保证金……应该打哪个电话？ -> 010-82370045  置信 0.51

三个电话都选对了，但最后一个的置信度只有 0.51：010-82370045 在文中出现了两次（一次是半角连字符，一次是全角「－」），正则把它们当成两个候选，概率被两者分掉（0.57 对 0.42）。这正是选项要可区分的反面例子——在正则阶段把同一号码的不同写法合并，置信度就会回来。

两位联系人：电话和传真，谁的邮箱 ​

生态环境部《地方餐饮油烟排放标准制订技术导则（征求意见稿）》征求意见通知列了两位联系人，各有电话、传真、邮箱：

text
大气环境司联系人的邮箱是哪个？                 -> dqszhc@mee.gov.cn     置信 0.97
环境标准研究所联系人的邮箱是哪个？             -> wuzh01@craes.org.cn   置信 0.98
大气环境司联系人的联系电话（不是传真）是哪个？ -> （010）65645551        置信 0.96

另一份通知里，第二位联系人（辐射源安全监管司）只留了电话、没有邮箱，文中唯一的邮箱属于第一位联系人。问「辐射源安全监管司联系人的邮箱」，象信在一篇文档里答 none（置信 0.06），在另一篇几乎相同的文档里选了第一位联系人的邮箱（置信 0.12）。两次答案不同，但置信度都极低。

全部结果 ​

字段数正确
全部134124
电话7970
金额3131
邮箱2423
文中有值112112
文中没有值（应答 none）2212
基线：总是取第一个候选（仅文中有值的字段）11263

逐字段看，所有「有值」的字段——中标总金额 14/14、代理费 14/14、采购人电话 17/17、代理机构电话 16/16、预算金额 3/3、各类邮箱——全部正确。10 个错误全部出在「文中没有值」的问题上：14 篇中标公告里问中标供应商的电话，7 篇答了 none，另外 7 篇选了代理机构的电话；9 篇只有一位联系人的通知里问传真，其中 6 篇没有传真，有 2 篇把联系电话当成了传真；再加上上文那个邮箱。

用置信度路由 ​

python
REVIEW_BELOW = 0.60

needs_review = answer["confidence"] < REVIEW_BELOW
数量其中正确
置信度 ≥ 0.60，自动通过108108
置信度 < 0.60，送人工复核2616

「文中没有值」的 22 个问题，置信度最高的也只有 0.48，全部落在复核队列——无论象信答的是 none 还是错选了一个号码。文中有值的 112 个字段里，只有 4 个低于 0.60（0.40、0.43、0.51、0.58），都是答对了但概率被分散的情况：同一联系人的两个号码、同一号码的两种写法。

这也说明了象信在这类任务上的一个特点：它更擅长「从几个候选里挑出对的那个」，不太擅长肯定地说「这里没有」。答 none 时概率通常摊在 none 和几个候选之间，置信度偏低。所以在自动化流程里，把低置信度的 none 当成「需要人看一眼」比当成「确认没有」更稳妥。

两个限制 ​

  • 一道 Choice 最多 255 个选项。候选更多时分两步：先选段落或表格行，再在那一段里选片段。
  • 找候选是最费功夫的一步。邮箱、电话、金额有现成的正则；人名、单位名没有，候选只能来自已有名册、命名实体识别，或者让大模型先列出来，再交给象信挑。另外，正则里没有覆盖到的写法（例如大写金额「壹拾贰万元整」）永远不会成为候选——想支持它们，就在第一步加正则，而不是指望第二步。

完整代码 ​

https://github.com/xiangxinai/xiangxin-cookbooks/tree/main/pre_parsed_value_extraction_cookbook