季度报表整理的地狱周，老李端着保温杯走到小王工位，把一沓合同复印件拍在桌上。
“小王，帮个忙。过去五年的客户合同，把里面的人名、金额、日期都摘出来，整理成一张表。周六前给我。”老李的语气很轻松，像是在说“帮我把垃圾带下去”。
小王看了一眼那沓纸，又看了一眼老李：“老李，这是五百多份合同，每份十几页。你让我手工摘？”
“Ctrl+F 搜关键词嘛，不就那几个字段。我们以前整档案，三个人三天就搞完了。”
小王深吸一口气，把椅子转过来正对老李：“老李你想啊，合同里日期有十几种写法——‘2024年3月15日’、‘3/15/2024’、‘三月中旬’、‘本合同自签署之日起生效’。金额也是——‘伍拾万元整’、‘¥500,000’、‘五十万’。你让我用Ctrl+F搜什么关键词？”
老李的保温杯在嘴边停住了。
“但我有个办法，让AI帮你读。”小王打开终端，“这玩意儿叫NER，全称是命名实体识别。简单说，就是让机器像学生划重点一样，自动把文本里的关键信息标出来。”
NER：给文本划重点
“划重点？”老李放下保温杯，“机器怎么知道哪些是重点？”
“你想想你是怎么教实习生看合同的。你告诉他——‘看到人名圈出来，看到金额画横线，看到日期打三角’。NER模型做的是一样的事，只不过你教的是规则，它学的是海量标注数据里的模式。”
小王打开一个在线NER演示页面，把一段合同文本贴了进去。屏幕上瞬间出现了彩色标记——人名标蓝，金额标绿，日期标橙。
“你看这段——‘甲方张三与乙方李四于2024年3月15日签署本合同，合同金额为伍拾万元整’。模型自动把‘张三’、‘李四’标成人名，‘2024年3月15日’标成日期，‘伍拾万元整’标成金额。”
老李凑近屏幕，眼睛眯了起来：“张三李四这种常见名好认，但咱们合同里有各种奇怪的公司名——‘上海啥啥科技有限公司’——它也能认？”
“这就是NER模型的核心能力。它不是靠背字典，而是靠理解上下文。人名前后通常跟着‘甲方’、‘乙方’、‘签署’，公司名后面常跟‘有限公司’、‘集团’，日期有数字加‘年月日’的模式。模型从几百万条标注数据里学会了这些上下文规律。”
老李若有所思：“那它是怎么学会的？你给我讲讲。”
从规则到BERT：NER的三次进化
“NER技术经历了三个阶段。”小王在玻璃上画了一条时间线。
“第一代是规则匹配。你写一堆正则表达式——‘\d{4}年\d{1,2}月\d{1,2}日’匹配日期，‘\d+元’匹配金额。优点是快、精准，缺点是你得穷举所有写法。刚才说的‘三月中旬’、‘签署之日’，正则就抓瞎了。”
“第二代是统计模型，比如条件随机场。它不再靠死规则，而是看词性和上下文来预测。但需要人工设计特征，很吃经验。”
“第三代就是现在的深度学习方案。你把标注好的数据喂给BERT这样的预训练模型，它自动从上下文里学模式。不需要你写规则，只需要你给够标注样本。”
老李追问：“那用大语言模型直接抽呢？GPT不是更强吗？”
“可以用，但各有优劣。”小王打开笔记本跑了两段对比代码：
# 方法一：专用NER模型（SpaCy）
import spacy
nlp = spacy.load("zh_core_web_trf") # 中文Transformer模型
text = "甲方张三与乙方上海科技公司于2024年3月15日签署合同，金额50万元。"
doc = nlp(text)
for ent in doc.ents:
print(f"{ent.text} -> {ent.label_}")
# 张三 -> PERSON
# 上海科技公司 -> ORG
# 2024年3月15日 -> DATE
# 50万元 -> MONEY# 方法二：用LLM做实体抽取
from openai import OpenAI
client = OpenAI()
response = client.chat.completions.create(
model="gpt-4o",
messages=[{
"role": "user",
"content": f"""从以下文本中提取所有人名、公司名、日期、金额。
以JSON格式输出，如{{"人名":[],"公司":[],"日期":[],"金额":[]}}
文本：{text}"""
}]
)
print(response.choices[0].message.content)“SpaCy 方案是本地运行，延迟低、免费，适合量大且模式固定的场景。LLM 方案更灵活，能处理各种复杂写法，但每条都要调 API，成本高、速度慢。”
老李盯着两段输出对比了一下：“那准确率呢？哪个更准？”
92% 的准确率够不够？
“这取决于你的容忍度。”小王调出一张测试结果表，“我们在五百份合同上做了对比。SpaCy 的专用模型，人名和日期的准确率大约 95%，但金额识别只有 88%——因为‘伍拾万元整’这种大写金额它容易漏。GPT-4 整体准确率 97%，几乎不会漏，但成本是 SpaCy 的一百倍，速度慢十倍。”
老李皱起眉头：“那也不是 100% 啊。万一漏了一个金额，合同出纠纷怎么办？”
“所以实际生产中的做法是——机器粗筛，人工复核。模型把 95% 的内容标好，剩下的交给人工校对。原来三个人干三天，现在一个人花半天校对模型的输出就行。”
小王补充道：“而且你可以设一个置信度阈值。模型对自己确定的结果打高分，不太确定的打低分。高分的自动过，低分的亮红灯让人工看。这样既不漏，又不累。”
# 实体抽取 + 置信度过滤
def extract_with_confidence(text):
doc = nlp(text)
entities = []
for ent in doc.ents:
# SpaCy 没有直接给置信度，但可以用概率近似
# 实际项目中可结合多个模型投票或使用模型内置置信度
entities.append({
"text": ent.text,
"label": ent.label_,
"start": ent.start_char,
"end": ent.end_char
})
return entities
# 低置信度的实体标记出来让人工复核
# 例如：用多个模型投票，如果只有部分模型识别出来，标记为低置信度老李看完代码，沉默了一会儿：“那你说，如果我只让你抽人名和日期，准确率够高，是不是就不用人工复核了？”
“理论上可以。但你得先想清楚——漏掉一个人名的代价是什么？如果是内部报表整理，错了也就错了。如果是合同的甲方名称搞错了，对方公司名字少了一个字——那可能是法律风险。所以准确率多少才够，不取决于模型，取决于场景。”
不止是找到实体，还要搞懂关系
“找到实体只是第一步。”小王趁热打铁，“更关键的是第二步——关系抽取。”
“合同里写着‘张三支付李四伍拾万元’。NER告诉你这里有三个人——张三、李四、五十万。关系抽取会告诉你——‘张三’是付款方，‘李四’是收款方，‘五十万’是金额。三个孤立的点被连成了一条线。”
老李眼睛亮了：“这不就是我们上次说的知识图谱的原材料？”
“对！实体抽取 + 关系抽取 = 自动构建知识图谱。你把五百份合同跑一遍，自动生成几千条三元组——‘张三，支付，李四’、‘合同A，签署于，2024年3月15日’、‘上海科技公司，采购，API网关’。这些三元组直接就能灌进图数据库。”
图：从原始文本到知识图谱——实体抽取是第一步，关系抽取是第二步
老李盯着这张图看了好一会儿，然后拧开保温杯喝了一口：“那这五百份合同，你是不是已经跑完了？”
小王嘿嘿一笑，把屏幕转过来。一张整理好的表格赫然在目——人名、公司、日期、金额、合同编号，整整齐齐，前面几行还标着“待复核”。
“昨天就跑了。SpaCy 跑完花了一个小时，错误集中在大写金额和特殊日期格式上。你用今天下午校对一下，明天就能交。”
老李的表情在几秒内经历了震惊、欣慰、尴尬，最后定格在一个别扭的微笑上。
“嗯……还行。下不为例啊——以后这种事你提前跟我说一声，别让我在季度会上出丑。”
他站起来，拿起那份合同复印件，走到门口又停住：“那什么，你说的大写金额识别不准，是因为训练数据里没有吗？如果我把公司历史合同都标注一遍，能不能训一个更准的模型？你给我讲讲怎么做。”
小王比了个 OK 的手势，看着老李走出工位。保温杯里的枸杞晃晃悠悠，像在点头。那份合同复印件还留在桌上，纸角微微卷起，像一个时代的尾巴，正在被一行行代码轻轻拽进数字的世界里。
