使用 Vercel AI SDK 从 PDF 中提取结构化数据

从非结构化数据中提取结构化数据，是 LLM 最强大的用例之一。

在这个示例中，我们会把任意文件传给 LLM，让它帮助我们分析文件。

这里使用的是一份 PDF 发票。我们会把 PDF 传给 LLM，让它从中提取结构化数据。

这意味着可以把系统中的各种文档转换成能够存入数据库、查询和搜索的数据。

创建 Schema

由于要使用结构化数据，先创建一个 Zod schema 来处理它。

import { z } from "zod";

const schema = z
  .object({
    total: z
      .number()
      .describe("The total amount of the invoice."),
    currency: z
      .string()
      .describe("The currency of the total amount."),
    invoiceNumber: z
      .string()
      .describe("The invoice number."),
    companyAddress: z
      .string()
      .describe(
        "The address of the company or person issuing the invoice.",
      ),
    companyName: z
      .string()
      .describe(
        "The name of the company issuing the invoice.",
      ),
    invoiceeAddress: z
      .string()
      .describe(
        "The address of the company or person receiving the invoice.",
      ),
  })
  .describe("The extracted data from the invoice.");

这个对象包含不少内容：发票总金额、货币、发票编号、地址、公司名称以及收票方地址。

这种写法前面已经见过，不过请注意，我尽可能为每个属性都提供了描述，以便让 LLM 获得最高的成功概率。

从发票中提取数据

滚动式代码讲解

下面创建一个 extractDataFromInvoice 函数。在函数内部，把 schema 传给 generateObject，并附上一段简短的系统提示词。

我们期望得到一个 invoicePath，它是文件系统中 PDF 的路径。

前面的图像示例使用了 messages 数组。PDF 也可以采用相同方式，不过这次使用的内容类型是 file ，而不是 image.

这里使用 readFileSync 读取文件系统中文件的原始二进制数据，并把数据直接传给 AI SDK。

还需要传入 MIME 类型，告诉 LLM 它收到的是什么文件。LLM 或许可以通过检查文件的魔数自行判断，但明确说明一下总归更妥当，对吧？

最后返回这个对象，这样就能得到预期的对象结果。

import { generateObject } from "ai";

export const extractDataFromInvoice = async (
  invoicePath: string,
) => {
  await generateObject({
    model,
    system:
      `You will receive an invoice. ` +
      `Please extract the data from the invoice.`,
    schema,
  });
};

运行示例

试着运行一下。我准备了一份虚构发票的 PDF，把它传进去看看效果。

const result = await extractDataFromInvoice(
  "./invoice.pdf",
);

console.dir(result, { depth: null });

可以看到，我们成功从发票中获得了需要的数据。

这个示例结合了前面学过的两项能力：向 Vercel AI SDK 传入任意文件，以及使用结构化数据。非常实用。