​​​​​​总结一下，工作上最近使用大模型提取PDF的关键词和对应值。
PDF提取关键词（文献的关键词，overpotential, Tafel_slope, TOF等等）
最终目的：帮助研究人员快速进行数据对比和进行实验验证，得到最优参数。

1. 思路：PDF转文本+关键词+提示词+询问AI

这是最漫长的一步，天天跟老师对答案（因为不懂）。难度降低，排除图片的关键词的对应值。

1. 提示词分为模型提示词（系统，用户提示词），对于文献关键词也增加了约束范围，提供了正确例子和错误例子，结果 80%。
2. 推翻之前的代码逻辑：使用Latex标准格式 + 轮询关键词 + 对比表-差异表-值范围表 + 第一次询问AI（系统，用户提示词） + 第二次询问AI +  第三次比较，前两次一样保存，不一致再从文章中对比。
3. 从文本提取开始修改，文本提取里面的一些化学公式的，有些全部变形，像是δ和𝛿，-和—。为了合并，使用Latex标准格式转换，专门提取这些化学公式。 （截图）

1. 更换模型：从开源dp的到闭源doubao，闭源更加厉害。
2. 提示词优化：更新了对比表，差异表，值范围表。
3. 业务逻辑沟通：这个每次都要问实验人员，每次沟通都能发现一些问题，一部分是老师提取逻辑没理解，总是说一眼就能看出来。而我每次都要问怎么看出来，怎么算的，来源在哪里。

结果终于95%，代码不算难，主要是大模型有没有那样训练的科研数据，有没有逻辑推理和数学计算的能力。

1. 后续稳定性情况下，可能要考虑模型训练（ds-R1），或者更换其他模型确保稳定性。
2. 还有就是老师认为正确，模型不一定正确，得按照模型逻辑去理解（模型训练逻辑）。

2. 参数提取流程（目标正确率≥85%）7.21

一、文档预处理：PaddleOCR 转换与清洗

1. 格式转换：使用 PaddleOCR 识别 PDF 或图像格式的学术论文，输出 Markdown（.md）文本，保留化学公式、数据和结构信息的文本化表达。

2. 文本清洗：去除 Markdown 冗余格式（如无效符号、乱码），修正 OCR 识别误差（如化学符号错漏），确保文本逻辑连贯。

二、提取参数策略定义

1. 参数范围：聚焦 25 类核心参数，分为：

   • 通用 OER 参数（12 项）：包括催化剂化学结构、纳米结构、粒径、过电势、塔菲尔斜率等。

   • 参数命名的提示词模版-few shot：

     "Tafel Slope (mV/dec)": {
         "Category": "",
         "Description": "",
         "Extraction Strategy": [],
         "Examples": [
           {
             "Text": "The Tafel slope was calculated to be 54 mV/dec in the range of 1.4–1.5 V vs RHE.",
             "Extracted Value": "54 mV/dec (1.4–1.5 V)"
           }
         ]
       },

   • MEA/PEMWE 参数（13 项）：包括膜厚度、催化剂载量、电池稳定性等（仅适用于含全电池实验的论文）。

2. 提取逻辑：

   • 优先从催化剂直接关联上下文提取结构参数（如 “催化剂化学结构”“粒径”）。

   • 其他参数通过动态关键词（如 “过电势 + 10 mA/cm²”“Tafel slope”）全局检索相关文本片段。

   • 缺失参数标记为 “未提及”，模糊值标注 “近似” 并附理由。

三、智能体策略：分阶段优化提取

阶段 1：催化剂列表审查与优化（评论器 AI）

1. 审查指标：

   • 完整性：检查是否遗漏论文提及的催化剂。

   • 命名一致性：统一同一催化剂的不同别名（如 “IrO₂” 与 “Iridium oxide”）。

   • 冗余性：删除非 OER 催化剂（如仅作为对比的 HER 催化剂）。

   • 精确性：验证催化剂名称的化学合理性（如排除格式错误的表达式）。

2. 优化输出：生成去重、命名统一、覆盖完整的催化剂列表。

阶段 2：参数提取与 MEA 特殊处理

1. 批量提取：基于优化后的催化剂列表，调用提取器 AI 逐个提取 25 项参数。

2. MEA 参数处理：

   • 若论文无 “MEA”“膜电极”“全电池” 等相关内容，自动标记所有 MEA 参数为 “无 MEA 内容”。

   • 若涉及 MEA 实验，按正常逻辑提取其 13 项参数。

阶段 3：结果校验与修正

1. 交叉验证：对比同一催化剂不同参数的关联性（如 “粒径” 与 “纳米结构” 是否匹配）。

2. 数值修正：统一单位格式（如 “mV”“A/cm²”），修正明显误差（如小数点错位）。

3. 置信度标注：对高确定性结果标 “高”，模糊结果标 “中 / 低” 并附验证建议。

四、输出结果

生成结构化表格或 JSON 文件，包含：

• 催化剂名称（含标准化别名）；
• 25 项参数的提取值、来源上下文、置信度；
• MEA 参数专项标记（适用时）。
   

3. pdf转为markdown真的对模型很重要吗？7.22

重要，表格格式需要markdown格式，图中信息也需要总结。

4. 总结 100 篇 稳定 95%以上 

1. paddleOCR v5 和 pp structure 识别 pdf 转为 markdown格式。

2. 寻找文本中分子结构式，把分子结构式上下文文字提取，从上下文的范围中寻找对应值。

3. 得到结果有 置信度，文章原文，提取值。

4. 提取逻辑编排采用 生成者-评审者-仲裁者 三级链，多模型投票 + 交叉验证两种方法。

5. 因模型只有deepseek/Qwen，选择生成者-评审者-仲裁者 三级链 + 置信度 + self-refine。

6. 专业书籍放入知识库，参数的提取值、来源上下文、置信度对比评审知识库检索的片段，引入外部来源降低幻觉。

7. 输出都需要反复验证迭代，根据置信度值或是评审值进行迭代。
8. 目前不涉及模型微调，微调对于该项目是调整这段话提取值的准确度。不是重新训练一个推理 + 多模态 + 格式的模型。
9. 跌破95%策略：
10. 指令微调：提取值的准确度。

总结 ： 重要的是文章markdown格式 + 提示词工程 + 较好的大模型 + 迭代 ，提取文章中提取信息。