Hypergraph is more powerful. Transform unstructured text into structured knowledge with LLMs. Graphs, hypergraphs, and spatio-temporal extractions — with one command.
refactor(templates): 简化多个模板的字段和提示词结构,优化时间处理逻辑
yifanfeng973e2d9df5e6e4
diff --git a/examples/template_finance_demo.py b/examples/template_finance_demo.pyindex 175edb4..e08b82e 100644--- a/examples/template_finance_demo.py+++ b/examples/template_finance_demo.py@@ -105,8 +105,8 @@ TEMPLATE_TO_INPUT = {# TEMPLATE = FilingRiskFactorSet # 风险因子集合# TEMPLATE = MaterialEventTimeline # 重大事件时间线# TEMPLATE = SegmentPerformanceList # 业务分部业绩列表-# TEMPLATE = FinancialDataTemporalGraph # 财务数据时序图-TEMPLATE = RiskAssessmentGraph # 风险评估图谱+TEMPLATE = FinancialDataTemporalGraph # 财务数据时序图+# TEMPLATE = RiskAssessmentGraph # 风险评估图谱# TEMPLATE = SupplyChainGraph # 供应链图谱# 股票研究报告@@ -130,7 +130,7 @@ TEMPLATE = RiskAssessmentGraph # 风险评估图谱# 金融新闻# TEMPLATE = MarketSentimentModel # 市场情绪模型# TEMPLATE = FinancialEventCausalGraph # 金融事件因果图-TEMPLATE = MultiSourceSentimentHypergraph # 多源情绪超图+# TEMPLATE = MultiSourceSentimentHypergraph # 多源情绪超图# TEMPLATE = MarketNarrativeTimeline # 市场叙事时间线# 自动获取对应的输入文件diff --git a/examples/template_industry_demo.py b/examples/template_industry_demo.pyindex 3b643af..8306d95 100644--- a/examples/template_industry_demo.py+++ b/examples/template_industry_demo.py@@ -106,11 +106,11 @@ TEMPLATE_TO_INPUT = {# 1. 管理规范 (Management Specifications) - 安全规程、应急预案# TEMPLATE = SafetyControlGraph # 安全管控图:提取危险源、风险点和管控措施-TEMPLATE = EmergencyResponseGraph # 应急预案图:提取事故场景、响应动作和部门+# TEMPLATE = EmergencyResponseGraph # 应急预案图:提取事故场景、响应动作和部门# 2. 技术规格书 (Technical Specifications) - 设备额定参数、材质标准# TEMPLATE = SystemTopologyGraph # 系统拓扑图:提取工厂的厂区、系统、子系统、设备等层级结构-# TEMPLATE = EquipmentTopologyGraph # 设备拓扑图:提取工业设备的实体及其相互连接关系+TEMPLATE = EquipmentTopologyGraph # 设备拓扑图:提取工业设备的实体及其相互连接关系# TEMPLATE = SpecParameterTable # 核心规格表:提取额定功率、材质、尺寸精度等关键技术指标# TEMPLATE = SystemCompatibilityGraph # 系统兼容性超图:提取设备与环境、介质的对应关系diff --git a/examples/template_tcm_demo.py b/examples/template_tcm_demo.pyindex f5e19e5..d87d2f6 100644--- a/examples/template_tcm_demo.py+++ b/examples/template_tcm_demo.py@@ -75,8 +75,8 @@ TEMPLATE_TO_INPUT = {# TEMPLATE = CompatibilityNet # 七情配伍网络# 方剂规范-TEMPLATE = FormulaComposition # 君臣佐使结构图-# TEMPLATE = FunctionIndicationMap # 主治功效映射+# TEMPLATE = FormulaComposition # 君臣佐使结构图+TEMPLATE = FunctionIndicationMap # 主治功效映射# 经络腧穴专著# TEMPLATE = MeridianFlowGraph # 经络流注图diff --git a/hyperextract/templates/zh/finance/financial_data_temporal_graph.py b/hyperextract/templates/zh/finance/financial_data_temporal_graph.pyindex b4c14a3..d144472 100644--- a/hyperextract/templates/zh/finance/financial_data_temporal_graph.py+++ b/hyperextract/templates/zh/finance/financial_data_temporal_graph.py@@ -5,6 +5,7 @@"""from typing import Optional, Any+from datetime import datetimefrom pydantic import BaseModel, Fieldfrom langchain_core.language_models.chat_models import BaseChatModelfrom langchain_core.embeddings import Embeddings@@ -33,42 +34,24 @@ class FinancialDataEntity(BaseModel):class FinancialDataEdge(BaseModel):- """- 锚定于特定报告期的时序财务关系,将实体与指标、指标与指标关联起来。- """+ """锚定于特定报告期的时序财务关系,将实体与指标、指标与指标关联起来。"""source: str = Field(- description="报告主体或贡献因素(例如 '苹果公司'、'服务分部')。"+ description="主体(公司/分部/指标名称)")target: str = Field(- description="财务指标或会计科目(例如 '营业收入'、'经营利润')。"+ description="目标(指标/分部/因素名称)")relationship: str = Field(- description="关系类型:'报告'、'贡献'、'衍生'、'同比变化'、'比率'、'受影响于'。"+ description="关系类型:'拥有'、'同比变化'、'占比'、'贡献'、'影响'")value: Optional[str] = Field(None,- description="报告金额或百分比(例如 '3943亿美元'、'+7.8%'、'45.6%')。",- )- unit: Optional[str] = Field(- None,- description="金额单位或币种(例如 '百万美元'、'百分比')。",+ description="数值(如 '3943亿美元'、'+7.8%'、'30%')")fiscal_period: Optional[str] = Field(None,- description="财务期间标签(例如 'FY2024'、'Q3 2024'、'截至2024年12月31日的年度')。",- )- start_timestamp: Optional[str] = Field(- None,- description="报告期开始日期(例如 '2024-01-01'、'2024年1月1日')。",- )- end_timestamp: Optional[str] = Field(- None,- description="报告期结束日期(例如 '2024-12-31'、'2024年12月31日')。",- )- description: Optional[str] = Field(- None,- description="补充说明,如对比备注、重述标记或会计处理方式等。",+ description="财务期间(如 'FY2024'、'Q3 2024')")@@ -115,59 +98,58 @@ _PROMPT = """## 角色与任务### 源文本:"""-_NODE_PROMPT = """## 角色与任务-你是一位专业的财务分析师,请从文本中提取所有财务实体作为节点。--## 核心概念定义-- **节点 (Node)**:从文档中提取的实体+_NODE_PROMPT = """## 角色+你是专业的财务分析师,从文本中提取财务实体作为节点。## 提取规则### 核心约束-1. 每个节点只能对应一个独立的实体,禁止将多个实体合并为一个节点+1. 每个节点对应一个独立实体2. 实体名称与原文保持一致+3. **重要**:提取的节点名称要完整准确,因为边会引用这些名称-### 领域特定规则-- 识别申报公司及其子公司或关联方-- 识别文中提到的业务分部或地理区域-- 识别财务指标和会计科目(营业收入、净利润、每股收益、总资产等)-- 识别文中明确提及的影响财务的外部因素(例如 '汇率逆风'、'关税影响')-- 按类型分类:公司、分部、财务指标、会计科目、外部因素-- 不要将日期、时间期间或纯数值提取为实体+### 只提取以下类型的实体:+- **公司**:申报公司及其重要子公司+- **分部**:业务分部或区域(具体名称)+- **财务指标**:关键财务指标(营业收入、净利润、毛利率等)+- **会计科目**:主要会计科目+- **外部因素**:影响财务的外部因素-### 源文本:-"""+### 不提取为节点:+- 日期、时间期间+- 纯数值-_EDGE_PROMPT = """## 角色与任务-你是一位专业的财务分析师,请从给定实体列表中提取所有带时间上下文的财务数据关系。+### 提取原则+- 公司名使用完整官方名称(如 '苹果公司' 而非 '苹果')+- 财务指标使用标准名称(如 '营业收入' 而非 '收入')+- 避免提取过于通用或抽象的概念-## 核心概念定义-- **节点 (Node)**:从文档中提取的实体-- **边 (Edge)**:节点之间的关系-- **时间**:财务数据所属的财务期间--## 提取规则-### 核心约束-1. 仅从已知实体列表中提取边,不要创建未列出的实体-2. 关系描述应与原文保持一致--### 领域特定规则-- 对每个报告数据,连接报告主体/分部与相应的财务指标-- 每条边必须包含精确数值、单位和财务期间-- 将同比变化单独提取为边-- 提取分部贡献-- 提取文中明确列出的衍生比率-- 根据财务期间的起止边界赋值时间字段--### 时间解析规则-当前观察日期: {observation_time}--1. 相对时间解析(基于观察日期):- - "去年" → {observation_time} 的前一年- - "FY2024" → 2024财年--2. 精确时间 → 保持原样-3. 时间缺失 → 留空,不要猜测+## 源文本:+"""+_EDGE_PROMPT = """## 角色+你是专业的财务分析师,从文本中提取带时间上下文的财务数据关系。++## 核心约束+1. **source 和 target 都必须是已知实体列表中的节点**+2. 每个出现的财务数据都必须提取为一条边+3. 节点名称必须完全匹配++## 关系类型(有区分度的类型)+- "拥有":公司拥有某分部/子公司+- "同比变化":同比增加/减少(如 "营收同比增长7.8%")+- "占比":某指标占某指标的比例(如 "云服务收入占比30%")+- "贡献":某分部贡献了某指标的多少(如 "华东区贡献收入20%")+- "影响":外部因素影响了某指标(如 "汇率影响收入-5%")++## 输出格式+每条边必须包含:+- source: 主体(节点名称)+- target: 目标(节点名称)+- relationship: 关系类型+- value: 数值(必须)+- fiscal_period: 财务期间++## 源文本:"""# ==============================================================================@@ -199,7 +181,7 @@ class FinancialDataTemporalGraph(llm_client: BaseChatModel,embedder: Embeddings,*,- observation_time: str = "2024-01-01",+ observation_time: str | None = None,extraction_mode: str = "two_stage",chunk_size: int = 2048,chunk_overlap: int = 256,@@ -213,7 +195,7 @@ class FinancialDataTemporalGraph(Args:llm_client (BaseChatModel): 用于财务数据提取的 LLM。embedder (Embeddings): 用于去重和语义检索的嵌入模型。- observation_time (str): 用于解析相对时间表达式的参考日期。+ observation_time (str): 用于解析相对时间表达式的参考日期,未指定时默认为当前日期。extraction_mode (str): "one_stage" 或 "two_stage"(默认 "two_stage")。chunk_size (int): 每个文本分块的最大字符数。chunk_overlap (int): 相邻分块之间的重叠字符数。@@ -221,6 +203,9 @@ class FinancialDataTemporalGraph(verbose (bool): 是否启用进度日志。**kwargs: AutoTemporalGraph 的其他参数。"""+ if observation_time is None:+ observation_time = datetime.now().strftime("%Y-%m-%d")+super().__init__(node_schema=FinancialDataEntity,edge_schema=FinancialDataEdge,@@ -228,7 +213,7 @@ class FinancialDataTemporalGraph(edge_key_extractor=lambda x: (f"{x.source}|{x.relationship}|{x.target}"),- time_in_edge_extractor=lambda x: x.fiscal_period or x.start_timestamp or "",+ time_in_edge_extractor=lambda x: x.fiscal_period or "",nodes_in_edge_extractor=lambda x: (x.source, x.target),llm_client=llm_client,embedder=embedder,@@ -266,10 +251,9 @@ class FinancialDataTemporalGraph(return f"{node.name} ({node.entity_type})"def edge_label_extractor(edge: FinancialDataEdge) -> str:- parts = [edge.relationship]- if edge.value:- parts.append(edge.value)- return " ".join(parts)+ if edge.value is None:+ return f"{edge.relationship}"+ return f"{edge.relationship} ({edge.value})"super().show(node_label_extractor=node_label_extractor,diff --git a/hyperextract/templates/zh/finance/financial_event_causal_graph.py b/hyperextract/templates/zh/finance/financial_event_causal_graph.pyindex fe60f48..5e4dba8 100644--- a/hyperextract/templates/zh/finance/financial_event_causal_graph.py+++ b/hyperextract/templates/zh/finance/financial_event_causal_graph.py@@ -17,25 +17,33 @@ from hyperextract.types import AutoGraphclass FinancialEventNode(BaseModel):"""金融事件节点"""- name: str = Field(description="事件/实体名称")- type: str = Field(description="类型:事件、政策、经济指标、板块、实体")- description: str = Field(description="简要描述", default="")+ name: str = Field(description="实体名称")+ category: str = Field(+ description="实体类别:'政策事件'、'市场实体'、'经济指标'"+ )+ description: str = Field(+ description="实体的简要描述"+ )class EventCausalEdge(BaseModel):"""因果关系边"""- source: str = Field(description="源实体(原因侧的实体)")- target: str = Field(description="目标实体(结果侧的实体)")- relation_type: str = Field(description="因果关系类型")- description: str = Field(description="简要描述", default="")+ source: str = Field(description="源实体名称")+ target: str = Field(description="目标实体名称")+ relation_type: str = Field(+ description="因果关系类型:推动、促进、带动、抑制、拖累、冲击、利好、利空"+ )+ description: str = Field(+ description="因果关系的详细说明"+ )_PROMPT = """## 角色与任务你是一位专业的宏观策略师,请从文本中提取金融事件及它们之间的因果关系。## 核心概念定义-- **节点 (Node)**:金融事件、政策、经济指标、板块、实体+- **节点 (Node)**:金融事件、政策、经济指标、市场实体- **边 (Edge)**:因果关系## 提取规则@@ -45,15 +53,14 @@ _PROMPT = """## 角色与任务3. **source 和 target 都必须是已提取的实体节点**### 实体类型-- 政策:降准、加息、财政赤字、IPO重启-- 经济指标:GDP、CPI、PPI、利率、汇率-- 板块:银行、房地产、科技、消费-- 实体:具体公司或产品+- 政策事件:降准、加息、财政政策+- 市场实体:银行、房地产、科技、消费+- 经济指标:GDP、CPI、利率、汇率### 关系类型-- 政策影响:利好(受益)、利空(受损)-- 因果传导:导致、引起、推动、促进、抑制、拖累-- 市场表现:上涨、下跌、增长、下降+- 推动类:推动、促进、带动+- 抑制类:抑制、拖累、冲击+- 影响类:利好、利空### 源文本:"""@@ -62,17 +69,16 @@ _NODE_PROMPT = """## 角色与任务请从文本中提取金融实体作为节点。## 核心概念定义-- **节点 (Node)**:政策、经济指标、板块、实体+- **节点 (Node)**:政策事件、市场实体、经济指标## 提取规则1. 提取所有金融实体2. 名称与原文保持一致### 实体类型-- 政策:降准、加息、财政赤字-- 经济指标:GDP、CPI、PPI、利率-- 板块:银行、房地产、科技、消费-- 实体:具体公司+- 政策事件:降准、加息、财政政策+- 市场实体:银行、房地产、科技、消费+- 经济指标:GDP、CPI、利率### 源文本:"""@@ -87,17 +93,12 @@ _EDGE_PROMPT = """## 角色与任务### 核心约束1. 仅从已知实体列表中提取边,不要创建未列出的实体2. 关系描述应与原文保持一致+3. **关键**:边的 source 和 target 必须完全使用下方实体列表中的名称### 关系类型-- 政策影响:利好(受益)、利空(受损)-- 因果传导:导致、引起、推动、促进、抑制、拖累-- 市场表现:上涨、下跌、增长、下降--### 示例-- (降准, 利好, 银行)-- (降准, 推动, 房地产)-- (加息, 利空, 房地产)-- (GDP增长, 推动, 股市上涨)+- 推动类:推动、促进、带动+- 抑制类:抑制、拖累、冲击+- 影响类:利好、利空"""@@ -156,10 +157,10 @@ class FinancialEventCausalGraph(AutoGraph[FinancialEventNode, EventCausalEdge]):top_k_edges_for_chat: int = 3,):def node_label_extractor(node: FinancialEventNode) -> str:- return f"{node.name} ({node.type})"+ return f"{node.name} ({node.category})"def edge_label_extractor(edge: EventCausalEdge) -> str:- return f" {edge.relation_type}"+ return f"{edge.relation_type}"super().show(node_label_extractor=node_label_extractor,diff --git a/hyperextract/templates/zh/finance/market_narrative_timeline.py b/hyperextract/templates/zh/finance/market_narrative_timeline.pyindex 038e42d..11b6e45 100644--- a/hyperextract/templates/zh/finance/market_narrative_timeline.py+++ b/hyperextract/templates/zh/finance/market_narrative_timeline.py@@ -1,95 +1,64 @@"""市场叙事时间线 - 追踪市场叙事随时间的演变。-追踪市场叙事和主导主题随时间的演变(例如从"通胀恐惧"转向"软着陆希望"),-用于主题投资和市场体制识别。+追踪市场主导叙事和主题随时间的演变(例如从"通胀恐惧"转向"软着陆希望"),+用于主题投资和市场情绪分析。"""from typing import Optional, Any+from datetime import datetimefrom pydantic import BaseModel, Fieldfrom langchain_core.language_models.chat_models import BaseChatModelfrom langchain_core.embeddings import Embeddingsfrom hyperextract.types import AutoTemporalGraph-# ==============================================================================-# 1. Schema 定义-# ==============================================================================+class NarrativeNode(BaseModel):+ """市场叙事节点"""-class NarrativeEntity(BaseModel):- """- 参与叙事演变的市场叙事、主题或市场实体。- """-- name: str = Field(- description='叙事或实体的名称(例如"通胀恐惧"、"软着陆希望"、"标普 500"、"美联储政策")。'- )- entity_type: str = Field(- description='类型:"叙事"、"主题"、"市场指数"、"资产类别"、"政策体制"、"经济阶段"。'- )- description: Optional[str] = Field(- None,- description='对该叙事或主题的解释。',+ name: str = Field(description="叙事名称(如'通胀恐惧'、'软着陆希望')。")+ narrative_type: str = Field(+ description="叙事类型:'市场情绪'、'投资主题'、'政策预期'、'经济判断'。")+ description: str = Field(description="叙事描述。")-class NarrativeShiftEdge(BaseModel):- """- 具有时间背景的叙事转变或演变事件。- """+class NarrativeTransitionEdge(BaseModel):+ """叙事演变边"""- source: str = Field(description='先前的叙事或触发实体名称。')- target: str = Field(description='新兴叙事或受影响实体名称。')- shift_type: str = Field(- description='类型:"被替代"、"演变为"、"触发了"、"主导了"、'- '"共存于"、"被削弱"。'+ source: str = Field(description="先前叙事名称。")+ target: str = Field(description="新兴叙事名称。")+ transition_type: str = Field(+ description="演变类型:被替代、演变为、触发了、主导了。")- start_timestamp: Optional[str] = Field(- None,- description='转变开始时间(例如"2024-03"、"2024年3月"、"2024年第一季度")。',- )- end_timestamp: Optional[str] = Field(- None,- description='转变完成或新叙事成为主导的时间。',+ timestamp: str = Field(+ description="演变时间(如'2024-03'、'2024年Q2')。")catalyst: Optional[str] = Field(None,- description='触发转变的事件或数据点(例如"CPI 数据为 2.4%")。',- )- market_impact: Optional[str] = Field(- None,- description='叙事转变如何影响市场(例如"从价值股轮动到成长股")。',- )- description: Optional[str] = Field(- None,- description='叙事转变的详细解释。',+ description="触发演变的事件或数据点。",)-# ==============================================================================-# 2. 提示词 (Prompts)-# ==============================================================================-_PROMPT = """## 角色与任务-你是一位专业的策略师,请从财经评论中提取市场叙事、主导主题以及它们随时间的演变。+你是一位专业的策略师,请从财经评论中提取市场叙事以及它们随时间的演变。## 核心概念定义-- **节点 (Node)**:从文档中提取的实体-- **边 (Edge)**:节点之间的关系-- **时间**:叙事转变发生的日期或时间段+- **节点 (Node)**:市场叙事,如市场情绪、投资主题、政策预期、经济判断+- **边 (Edge)**:叙事之间的演变关系+- **时间**:叙事演变发生的日期或时间段## 提取规则### 核心约束-1. 每个节点只能对应一个独立的实体,禁止将多个实体合并为一个节点-2. 实体名称与原文保持一致-3. 仅从已知实体列表中提取边,不要创建未列出的实体+1. 每个节点只能对应一个独立的叙事,禁止将多个叙事合并为一个节点+2. 叙事名称与原文保持一致+3. 仅从已知叙事列表中提取边,不要创建新的叙事4. 关系描述应与原文保持一致-### 领域特定规则-- 识别主导市场叙事和主题(例如'通胀恐惧'、'AI 热潮')-- 追踪叙事如何转变、替代或演变为新的叙事-- 提取转变发生的具体日期或时间段-- 捕捉触发叙事变化的催化剂-- 记录叙事转变的市场影响+### 叙事定义+- 叙事是市场中的"故事"、主题、情绪+- 叙事不是具体的公司、指数、政策本身+- 例如:"通胀恐惧"、"软着陆希望"、"AI热潮"、"避险情绪"是叙事+- 例如:"降准"、"上证指数"、"GDP"不是叙事,是催化剂或指标### 时间解析规则当前观察日期: {observation_time}@@ -101,47 +70,54 @@ _PROMPT = """## 角色与任务- "近期" → {observation_time} 最近 3 个月2. 精确时间 → 保持原样-3. 时间缺失 → 留空,不要猜测+3. 时间缺失 → 留空### 源文本:"""_NODE_PROMPT = """## 角色与任务-你是一位专业的策略师,请从文本中提取所有叙事、主题和市场实体作为节点。+你是一位专业的策略师,请从文本中提取市场叙事作为节点。## 核心概念定义-- **节点 (Node)**:从文档中提取的实体-- **边 (Edge)**:节点之间的关系+- **节点 (Node)**:市场叙事## 提取规则### 核心约束-1. 每个节点只能对应一个独立的实体,禁止将多个实体合并为一个节点-2. 实体名称与原文保持一致+1. 每个节点只能对应一个独立的叙事,禁止将多个叙事合并为一个节点+2. 叙事名称与原文保持一致++### 叙事定义+- 叙事是市场中的"故事"、主题、情绪+- 叙事不是具体的公司、指数、政策本身+- 例如:"通胀恐惧"、"软着陆希望"、"AI热潮"、"避险情绪"是叙事-### 领域特定规则-- 识别主导叙事和投资主题-- 识别市场指数、资产类别和政策体制+### 叙事类型+- 市场情绪:投资者情绪变化+- 投资主题:主导投资方向+- 政策预期:对政策走向的判断+- 经济判断:对经济形势的看法### 源文本:"""_EDGE_PROMPT = """## 角色与任务-你是一位专业的策略师,请从给定实体列表中提取叙事转变和演变事件。+你是一位专业的策略师,请从给定叙事列表中提取叙事演变关系。## 核心概念定义-- **节点 (Node)**:从文档中提取的实体-- **边 (Edge)**:节点之间的关系-- **时间**:叙事转变发生的日期或时间段+- **节点 (Node)**:市场叙事+- **边 (Edge)**:叙事之间的演变关系## 提取规则### 核心约束-1. 仅从已知实体列表中提取边,不要创建未列出的实体-2. 关系描述应与原文保持一致+1. **关键**:边的 source 和 target 必须完全使用下方叙事列表中的名称,禁止创造新叙事+2. 仅从已知叙事列表中提取边,不要创建新的叙事+3. 关系描述应与原文保持一致-### 领域特定规则-- 通过叙事的演变连接它们(被替代、演变为等)-- 提取具体日期或时间段-- 捕捉催化剂和市场影响+### 演变类型+- 被替代:先前叙事被新叙事取代+- 演变为:先前叙事逐渐变成新叙事+- 触发了:新叙事因某事件而产生+- 主导了:新叙事成为市场主导### 时间解析规则当前观察日期: {observation_time}@@ -151,23 +127,19 @@ _EDGE_PROMPT = """## 角色与任务- "上月" → {observation_time} 的前一个月2. 精确时间 → 保持原样-3. 时间缺失 → 留空,不要猜测+3. 时间缺失 → 留空"""-# ==============================================================================-# 3. 模板类-# ==============================================================================-class MarketNarrativeTimeline(- AutoTemporalGraph[NarrativeEntity, NarrativeShiftEdge]+ AutoTemporalGraph[NarrativeNode, NarrativeTransitionEdge]):"""适用文档: 市场评论、宏观策略报告、财经新闻档案、投资展望报告、季度市场回顾。- 模板用于追踪市场叙事和主导主题随时间的演变。支持主题投资、- 市场体制识别和叙事动量分析。+ 模板用于追踪市场主导叙事和主题随时间的演变。支持主题投资、+ 市场情绪分析和叙事动量研究。使用示例:>>> narrative = MarketNarrativeTimeline(llm_client=llm, embedder=embedder)@@ -181,7 +153,7 @@ class MarketNarrativeTimeline(llm_client: BaseChatModel,embedder: Embeddings,*,- observation_time: str = "2024-01-01",+ observation_time: str | None = None,extraction_mode: str = "two_stage",chunk_size: int = 2048,chunk_overlap: int = 256,@@ -195,7 +167,7 @@ class MarketNarrativeTimeline(Args:llm_client (BaseChatModel): 用于叙事提取的 LLM。embedder (Embeddings): 用于去重的嵌入模型。- observation_time (str): 用于解析相对日期的参考时间。+ observation_time (str): 用于解析相对日期的参考时间,未指定时默认为当前日期。extraction_mode (str): "one_stage" 或 "two_stage"。chunk_size (int): 每个分块的最大字符数。chunk_overlap (int): 分块之间的重叠。@@ -203,14 +175,17 @@ class MarketNarrativeTimeline(verbose (bool): 是否启用进度日志。**kwargs: AutoTemporalGraph 的其他参数。"""+ if observation_time is None:+ observation_time = datetime.now().strftime("%Y-%m-%d")+super().__init__(- node_schema=NarrativeEntity,- edge_schema=NarrativeShiftEdge,+ node_schema=NarrativeNode,+ edge_schema=NarrativeTransitionEdge,node_key_extractor=lambda x: x.name,edge_key_extractor=lambda x: (- f"{x.source}|{x.shift_type}|{x.target}"+ f"{x.source}|{x.transition_type}|{x.target}"),- time_in_edge_extractor=lambda x: x.start_timestamp or "",+ time_in_edge_extractor=lambda x: x.timestamp or "",nodes_in_edge_extractor=lambda x: (x.source, x.target),llm_client=llm_client,embedder=embedder,@@ -239,17 +214,17 @@ class MarketNarrativeTimeline(Args:top_k_nodes_for_search (int): 检索的叙事数。默认 3。- top_k_edges_for_search (int): 检索的转变数。默认 3。+ top_k_edges_for_search (int): 检索的演变数。默认 3。top_k_nodes_for_chat (int): 对话上下文中的叙事数。默认 3。- top_k_edges_for_chat (int): 对话上下文中的转变数。默认 3。+ top_k_edges_for_chat (int): 对话上下文中的演变数。默认 3。"""- def node_label_extractor(node: NarrativeEntity) -> str:- return f"{node.name} ({node.entity_type})"+ def node_label_extractor(node: NarrativeNode) -> str:+ return f"{node.name} ({node.narrative_type})"- def edge_label_extractor(edge: NarrativeShiftEdge) -> str:- date = f" [{edge.start_timestamp}]" if edge.start_timestamp else ""- return f"{edge.shift_type}{date}"+ def edge_label_extractor(edge: NarrativeTransitionEdge) -> str:+ date = f" [{edge.timestamp}]" if edge.timestamp else ""+ return f"{edge.transition_type}{date}"super().show(node_label_extractor=node_label_extractor,diff --git a/hyperextract/templates/zh/finance/material_event_timeline.py b/hyperextract/templates/zh/finance/material_event_timeline.pyindex c475280..edffe3e 100644--- a/hyperextract/templates/zh/finance/material_event_timeline.py+++ b/hyperextract/templates/zh/finance/material_event_timeline.py@@ -5,6 +5,7 @@"""from typing import Optional, Any+from datetime import datetimefrom pydantic import BaseModel, Fieldfrom langchain_core.language_models.chat_models import BaseChatModelfrom langchain_core.embeddings import Embeddings@@ -164,7 +165,7 @@ class MaterialEventTimeline(AutoTemporalGraph[MaterialEventEntity, MaterialEventllm_client: BaseChatModel,embedder: Embeddings,*,- observation_time: str = "2024-01-01",+ observation_time: str | None = None,extraction_mode: str = "two_stage",chunk_size: int = 2048,chunk_overlap: int = 256,@@ -178,7 +179,7 @@ class MaterialEventTimeline(AutoTemporalGraph[MaterialEventEntity, MaterialEventArgs:llm_client (BaseChatModel): 用于事件提取的 LLM。embedder (Embeddings): 用于去重的嵌入模型。- observation_time (str): 用于解析相对日期的参考时间。+ observation_time (str): 用于解析相对日期的参考时间,未指定时默认为当前日期。extraction_mode (str): "one_stage" 或 "two_stage"。chunk_size (int): 每个分块的最大字符数。chunk_overlap (int): 分块之间的重叠。@@ -186,6 +187,9 @@ class MaterialEventTimeline(AutoTemporalGraph[MaterialEventEntity, MaterialEventverbose (bool): 是否启用进度日志。**kwargs: AutoTemporalGraph 的其他参数。"""+ if observation_time is None:+ observation_time = datetime.now().strftime("%Y-%m-%d")+super().__init__(node_schema=MaterialEventEntity,edge_schema=MaterialEventEdge,diff --git a/hyperextract/templates/zh/finance/multi_source_sentiment_hypergraph.py b/hyperextract/templates/zh/finance/multi_source_sentiment_hypergraph.pyindex 0626547..a9d6f62 100644--- a/hyperextract/templates/zh/finance/multi_source_sentiment_hypergraph.py+++ b/hyperextract/templates/zh/finance/multi_source_sentiment_hypergraph.py@@ -207,11 +207,10 @@ class MultiSourceSentimentHypergraph("""def node_label_extractor(node: SentimentSource) -> str:- signal = f" [{node.sentiment_signal}]" if node.sentiment_signal else ""- return f"{node.name} ({node.source_type}){signal}"+ return f"{node.name} ({node.source_type})"def edge_label_extractor(edge: AggregatedSentiment) -> str:- return f"[{edge.aggregated_polarity}] {edge.fusion_name}"+ return f"{edge.fusion_name}"super().show(node_label_extractor=node_label_extractor,diff --git a/hyperextract/templates/zh/industry/failure_case_graph.py b/hyperextract/templates/zh/industry/failure_case_graph.pyindex 98249fe..af78521 100644--- a/hyperextract/templates/zh/industry/failure_case_graph.py+++ b/hyperextract/templates/zh/industry/failure_case_graph.py@@ -66,7 +66,6 @@ _EDGE_PROMPT = """## 角色与任务- 识别从现象到原因的关联- 识别从原因到措施的关联- 识别从措施到教训的关联-- 时序关系:发现 → 分析 → 处理 → 总结"""diff --git a/hyperextract/templates/zh/industry/failure_knowledge_hypergraph.py b/hyperextract/templates/zh/industry/failure_knowledge_hypergraph.pyindex 7aab92c..72ccc73 100644--- a/hyperextract/templates/zh/industry/failure_knowledge_hypergraph.py+++ b/hyperextract/templates/zh/industry/failure_knowledge_hypergraph.py@@ -143,6 +143,7 @@ class FailureKnowledgeHypergraph(AutoHypergraph[FailureEntity, FailureKnowledgeEnode_schema=FailureEntity,edge_schema=FailureKnowledgeEdge,node_key_extractor=lambda x: x.name,+ edge_key_extractor=lambda x: f"{x.reasoning_type}_{sorted(x.nodes)}",nodes_in_edge_extractor=lambda x: x.nodes,llm_client=llm_client,embedder=embedder,diff --git a/hyperextract/templates/zh/industry/incident_causality_map.py b/hyperextract/templates/zh/industry/incident_causality_map.pyindex 6c36741..101dc30 100644--- a/hyperextract/templates/zh/industry/incident_causality_map.py+++ b/hyperextract/templates/zh/industry/incident_causality_map.py@@ -154,6 +154,7 @@ class IncidentCausalityMap(AutoHypergraph[IncidentEntity, IncidentCausalityEdge]node_schema=IncidentEntity,edge_schema=IncidentCausalityEdge,node_key_extractor=lambda x: x.name,+ edge_key_extractor=lambda x: f"{x.causality_type}_{sorted(x.nodes)}",nodes_in_edge_extractor=lambda x: x.nodes,llm_client=llm_client,embedder=embedder,diff --git a/hyperextract/templates/zh/industry/maintenace_operation_map.py b/hyperextract/templates/zh/industry/maintenace_operation_map.pyindex 5c45b68..5116a05 100644--- a/hyperextract/templates/zh/industry/maintenace_operation_map.py+++ b/hyperextract/templates/zh/industry/maintenace_operation_map.py@@ -166,6 +166,7 @@ class MaintenaceOperationMap(node_schema=MaintenanceEntity,edge_schema=MaintenanceOperationEdge,node_key_extractor=lambda x: x.name,+ edge_key_extractor=lambda x: f"{x.operation_name}_{sorted(x.nodes)}",nodes_in_edge_extractor=lambda x: x.nodes,llm_client=llm_client,embedder=embedder,@@ -202,8 +203,7 @@ class MaintenaceOperationMap(return f"{node.name} ({node.category})"def edge_label_extractor(edge: MaintenanceOperationEdge) -> str:- duration = f" [{edge.duration}]" if edge.duration else ""- return f"{edge.operation_name}{duration}"+ return f"{edge.operation_name}"super().show(node_label_extractor=node_label_extractor,diff --git a/hyperextract/templates/zh/industry/safety_timeline.py b/hyperextract/templates/zh/industry/safety_timeline.pyindex 77c56af..d020c43 100644--- a/hyperextract/templates/zh/industry/safety_timeline.py+++ b/hyperextract/templates/zh/industry/safety_timeline.py@@ -11,44 +11,22 @@ from hyperextract.types import AutoTemporalGraphclass SafetyTimelineEntity(BaseModel):- """- 事故时序图中的实体节点。- """+ """事故时序图中的实体节点。"""- name: str = Field(description="实体名称(例如:操作人员、设备名称、岗位名称)。")- entity_type: str = Field(- description="类型:人员、设备、岗位、位置、环境状态。"- )- description: Optional[str] = Field(- None, description="角色或状态描述(例如:操作工、离心泵、现场负责人)。"- )+ name: str = Field(description="实体名称")+ entity_type: str = Field(description="类型:人员、设备、设施等")+ description: Optional[str] = Noneclass SafetyTimelineEdge(BaseModel):- """- 事故时序图中的时间边。- """+ """事故时序图中的时间边。"""- source: str = Field(description="源实体名称(执行操作的当事人)。")- target: str = Field(description="目标实体名称(受影响的对象或结果)。")- action: str = Field(- description="操作或动作描述(例如:启动设备、巡检、发现异常)。"- )- start_timestamp: Optional[str] = Field(- None,- description="动作开始时间(例如:'2024-03-15 14:30'、'事故前30分钟')。",- )- end_timestamp: Optional[str] = Field(- None,- description="动作结束时间(如适用)。",- )- location: Optional[str] = Field(- None, description="发生位置(例如:泵房、配电室、生产车间)。"- )- status: Optional[str] = Field(- None,- description="状态描述:正常、异常、故障、报警、失控等。",- )+ source: str = Field(description="源实体名称")+ target: str = Field(description="目标实体名称")+ action: str = Field(description="操作动作")+ timestamp: Optional[str] = Field(None, description="动作发生时间")+ location: Optional[str] = Field(None, description="发生位置")+ status: Optional[str] = Field(None, description="状态描述")_PROMPT = """## 角色与任务@@ -71,7 +49,6 @@ _PROMPT = """## 角色与任务- 识别相关设备(泵、电机、阀门、仪表)- 识别操作动作(启动、停止、巡检、维修、发现异常)- 识别环境状态(正常、异常、报警、危险)-- 按时间顺序排列事件### 时间解析规则当前观察日期: {observation_time}@@ -87,53 +64,43 @@ _PROMPT = """## 角色与任务### 源文本:"""-_NODE_PROMPT = """## 角色与任务-你是一位工业安全事故调查专家,请从事故调查报告中提取所有参与事故的实体作为节点。--## 核心概念定义-- **节点 (Node)**:从文档中提取的参与事故的实体+_NODE_PROMPT = """## 角色+你是工业安全事故调查专家,从事故调查报告中提取参与事故的实体作为节点。## 提取规则### 核心约束-1. 每个节点只能对应一个独立的实体,禁止将多个实体合并为一个节点+1. 每个节点对应一个独立实体2. 实体名称与原文保持一致-### 领域特定规则-- 识别事故相关人员(操作工、班组长、安全员、管理人员)-- 识别相关设备(泵、电机、阀门、仪表)-- 识别位置(泵房、配电室、生产车间)-- 识别环境状态实体+### 提取范围+- 人员、设备、设施、岗位、位置等-### 源文本:+## 源文本:"""-_EDGE_PROMPT = """## 角色与任务-你是一位工业安全事故调查专家,请从已知实体列表中提取事故时间线中的操作动作作为时间边。--## 核心概念定义-- **节点 (Node)**:从文档中提取的参与事故的实体-- **边 (Edge)**:时间序列中的操作动作-- **时间**:操作发生的时间点--## 提取规则-### 核心约束-1. 仅从已知实体列表中提取边,不要创建未列出的实体-2. 关系描述应与原文保持一致--### 领域特定规则-- 识别操作动作(启动、停止、巡检、维修、发现异常)-- 提取时间点信息-- 记录位置和环境状态--### 时间解析规则-当前观察日期: {observation_time}--1. 相对时间解析(基于观察日期):- - "事故前30分钟" → {observation_time} 前30分钟- - "随后" → 接续前一事件--2. 精确时间 → 保持原样-3. 时间缺失 → 留空,不要猜测+_EDGE_PROMPT = """## 角色+你是工业安全事故调查专家,从已知实体列表中提取事故时间线中的操作动作。++## 核心约束+1. **source 和 target 都必须是已知实体列表中的节点**+2. 每个操作动作都必须提取为一条边+3. 节点名称必须完全匹配++## 操作类型+- 启动、停止、开启、关闭+- 巡检、检查、排查+- 维修、检修、保养+- 发现、识别、报告+- 操作、使用、触发++## 输出格式+每条边必须包含:+- source: 源实体(节点名称)+- target: 目标实体(节点名称)+- action: 操作动作+- timestamp: 动作发生时间+- location: 发生位置+- status: 状态"""@@ -188,7 +155,7 @@ class SafetyTimeline(AutoTemporalGraph[SafetyTimelineEntity, SafetyTimelineEdge]edge_key_extractor=lambda x: (f"{x.source}|{x.action}|{x.target}"),- time_in_edge_extractor=lambda x: x.start_timestamp or "",+ time_in_edge_extractor=lambda x: x.timestamp or "",nodes_in_edge_extractor=lambda x: (x.source, x.target),llm_client=llm_client,embedder=embedder,@@ -226,7 +193,7 @@ class SafetyTimeline(AutoTemporalGraph[SafetyTimelineEntity, SafetyTimelineEdge]return f"{node.name} ({node.entity_type})"def edge_label_extractor(edge: SafetyTimelineEdge) -> str:- date = f" [{edge.start_timestamp}]" if edge.start_timestamp else ""+ date = f" [{edge.timestamp}]" if edge.timestamp else ""return f"{edge.action}{date}"super().show(diff --git a/hyperextract/templates/zh/industry/system_compatibility_graph.py b/hyperextract/templates/zh/industry/system_compatibility_graph.pyindex 3a8a796..ab4dba9 100644--- a/hyperextract/templates/zh/industry/system_compatibility_graph.py+++ b/hyperextract/templates/zh/industry/system_compatibility_graph.py@@ -152,6 +152,7 @@ class SystemCompatibilityGraph(AutoHypergraph[CompatibilityEntity, Compatibilitynode_schema=CompatibilityEntity,edge_schema=CompatibilityEdge,node_key_extractor=lambda x: x.name,+ edge_key_extractor=lambda x: f"{x.compatibility_type}_{sorted(x.nodes)}",nodes_in_edge_extractor=lambda x: x.nodes,llm_client=llm_client,embedder=embedder,