大模型相关目录
大模型，包括部署微调prompt/Agent应用开发、知识库增强、数据库增强、知识图谱增强、自然语言处理、多模态等大模型应用开发内容
从0起步，扬帆起航。
- 大模型应用向开发路径：AI代理工作流
- 大模型应用开发实用开源项目汇总
- 大模型问答项目问答性能评估方法
- 大模型数据侧总结
- 大模型token等基本概念及参数和内存的关系
- 大模型应用开发-华为大模型生态规划
- 从零开始的LLaMA-Factory的指令增量微调
- 基于实体抽取-SMC-语义向量的大模型能力评估通用算法（附代码）
- 基于Langchain-chatchat的向量库构建及检索（附代码）
- 一文教你成为合格的Prompt工程师
- 最简明的大模型agent教程
- 批量使用API调用langchain-chatchat知识库能力
- langchin-chatchat部分开发笔记（持续更新）
- 文心一言、讯飞星火、GPT、通义千问等线上API调用示例
- 大模型RAG性能提升路径
- langchain的基本使用
- 结合基础模型的大模型多源信息应用开发
- COT：大模型的强化利器
- 多角色大模型问答性能提升策略（附代码）
- 大模型接入外部在线信息提升应用性能
- 大模型解决方案：具体业务场景下的智能表单填充
文章目录
- 大模型相关目录
- 概述
- 技术路径
- 代码实现
概述
在许多业务场景下，存在大量从表单、铭牌、参数快照等图像数据中进行信息提取和填充的需求。
诸如数据摸排、信息录入、各时间颗粒度下的数据统计等业务，传统模式下主要通过人工手段完成，效率低、成本高、完成质量差。
传统OCR技术结合大模型文字处理能力，可实现具体场景下的智能表单填充解决方案。
技术路径
- 为解决图像可用性问题：运用形态学知识，对图像进行质量增强
- 为满足图像文字识别需求：利用OCR技术，对图像进行文字提取
- 为克服识别结果排布散乱、信息紊乱现象：预处理文字提取结果，设计专用性Prompt，提升大模型在该场景下的信息抽取、规整能力
- 为达成表单智能填充目的：结合实际业务需求，建立json数据和表单字段间的桥接关系，实现数据填充自动化
代码实现
大模型在线API请参考系列文章。
功能代码：
from paddleocr import PaddleOCR
import ask_Wenxin
import json
import re
from datetime import datetime
import osdef post_processing(input_data: dict):# 获取当下时间并formatformatted_time = str(datetime.now().strftime("%Y_%m_%d
)
