Un pipeline de niveau professionnel pour extraire des entités, des relations et des événements à partir de texte brut vers des formats structurés normalisés et prêts pour les graphes.
Installer & Télécharger
1. ClawHub CLI
Le moyen le plus rapide d'installer une compétence directement depuis le registre.
npx clawhub@latest install information-extraction
2. Installation manuelle
Copiez le dossier de la compétence dans l'un de ces emplacements
~/.openclaw/skills/ <project>/skills/ Priorité : Espace de travail > Local > Intégré
3. Installation du prompt
Copiez ce prompt dans OpenClaw pour l'installer automatiquement.
Aide-moi à installer information-extraction via Clawhub. Si Clawhub n'est pas installé, installe-le d'abord (npm i -g clawhub).
Vous préférez télécharger ?
Obtenez les fichiers bruts de la compétence dans une archive ZIP.
Qu'est-ce que Extraction d'Information ?
La compétence d'Extraction d'Information est un outil spécialisé au sein de l'écosystème Openclaw Skills conçu pour combler le fossé entre la prose non structurée et l'intelligence structurée. Elle permet aux agents AI d'analyser du texte brut ou Markdown et d'identifier des entités spécifiques, leurs attributs et les relations complexes qui les lient. En utilisant un pipeline semi-automatique, elle garantit que les données brutes provenant de rapports, de transcriptions et de contenus Web sont converties en une structure intermédiaire de haute fidélité avant l'exportation finale.
Cette compétence est particulièrement précieuse pour les développeurs et les chercheurs qui construisent des graphes de connaissances ou effectuent des analyses de données à grande échelle. Elle accorde une priorité à la préservation des preuves, ce qui signifie que chaque fait extrait reste lié à son texte source. Cette focalisation sur la transparence et la normalisation en fait un composant essentiel pour tout flux de travail nécessitant des faits structurés fiables et vérifiables à partir d'une documentation réelle désordonnée.
Cas d'utilisation de Extraction d'Information
- Conversion de longs articles de recherche ou rapports en triplets de graphes de connaissances interrogeables.
- Automatisation du remplissage de bases de données à partir de transcriptions de réunions et de notes d'entretiens.
- Extraction de chronologies d'événements structurées et de rôles de participants à partir d'articles de presse ou de documents historiques.
- Normalisation des mentions d'entités à travers différentes sources de texte pour éliminer la duplication de données.
- Génération de jeux de données TSV ou JSONL pour l'entraînement de modèles de machine learning ou l'analyse de données en aval.
Comment fonctionne Extraction d'Information
- Définition de la portée : Le système identifie les limites d'extraction et le niveau de granularité des données requis.
- Segmentation : Le texte d'entrée est décomposé en unités de traitement gérables comme des phrases et des paragraphes.
- Reconnaissance d'entités : Les entités primaires sont identifiées avec des segments de preuve spécifiques du texte.
- Extraction de faits : Le pipeline identifie les relations, les attributs et les événements complexes impliquant les entités découvertes.
- Normalisation : Les alias et les prédicats sont résolus vers une forme canonique pour assurer la cohérence.
- Triplication : Les données sont mappées en triplets et formatées pour la sortie finale.
- Validation : Les ambiguïtés sont signalées pour un examen humain ou par une AI secondaire afin de garantir des scores de confiance élevés.
Configuration de Extraction d'Information
Pour commencer à utiliser cet outil dans votre environnement Openclaw Skills, assurez-vous d'avoir Python 3 installé. Vous pouvez traiter du texte via des chaînes directes ou des entrées de fichiers.
# Basic extraction from a text string
python3 skills/information-extraction/scripts/extract.py --text "OpenAI published GPT-4." --output out.json
# Pipeline normalization to resolve aliases
python3 skills/information-extraction/scripts/normalize.py --input out.json --output normalized.json
# Exporting to a specific format (JSON, JSONL, or TSV)
python3 skills/information-extraction/scripts/export_triples.py --input normalized.json --format tsv --output triples.tsv
Schéma de données et taxonomie de Extraction d'Information
La compétence utilise un schéma interne rigoureux pour maintenir l'intégrité des données tout au long du cycle de vie de l'extraction.
| Composant | Description | Champs clés |
|---|---|---|
| Entité | Objets ou concepts uniques | id, mention, canonical_name, type, confidence |
| Relation | Liens entre deux entités | subject, predicate, object, evidence |
| Attribut | Propriétés spécifiques d'une entité | entity_id, attribute, value, evidence |
| Événement | Occurrences complexes avec participants | id, type, trigger, participants, time |
| Triplet | Fait aplati pour l'exportation | subject, predicate, object |
Fonctionnalités avancées de Extraction d'Information
- Mappage de preuves : Préserve automatiquement le segment de texte exact utilisé comme preuve pour chaque entité et relation extraite.
- Alignement de taxonomie : Prend en charge les prédicats contrôlés grâce à l'intégration avec des taxonomies de relations personnalisées.
- Journalisation des ambiguïtés : Au lieu de deviner, la compétence enregistre les ambiguïtés non résolues dans une section dédiée pour une vérification manuelle.
- Exportation multi-format : Support natif des formats JSON, JSONL et TSV pour s'adapter à divers flux de travail d'ingestion de bases de données et de graphes.
- Pipeline modulaire : Des scripts séparés pour l'extraction, la normalisation et l'exportation permettent des hooks d'automatisation flexibles.
SKILL.md
Chargement
Compétences Openclaw associées
Telegram Send File
Une compétence spécialisée pour livrer des fichiers locaux, des URL distantes et des ID de fichiers Telegram à des discussions et sujets spécifiques via l'API Bot.
Code Dev Pipeline
Un pipeline de codage collaboratif professionnel à 8 agents conçu pour le développement de logiciels complexes, le design frontend et l'assurance qualité automatisée.
HTML to Markdown
Un utilitaire polyvalent pour transformer le code HTML, les fichiers locaux ou les pages Web en direct en format Markdown propre pour les agents AI et les développeurs.
War Room Skill
Un protocole de coordination à enjeux élevés pour la gestion d'équipes multi-agents lors d'interruptions de production et de défaillances critiques du système.
Moteur d'Inférence Haute Performance vLLM
Un assistant expert pour déployer et optimiser de grands modèles de langage en utilisant le moteur d'inférence à haut débit vLLM.
Market Intelligence Claw
Une couche d'intelligence stratégique en temps réel qui transforme les données de marché en direct en informations commerciales exploitables pour les marques de commerce électronique et numériques.
En vedette*
