list-table-extraction

name	list_table_extraction
description	从权威页面批量提取结构化列表数据（作品列表、成员名单、事件列表等）
trigger	需要从单页或少量页面提取多行结构化数据
success_rate	0
status	seed
trigger_conditions	{"domain":["general"],"entity_types":["entity"],"attribute_types":["list","table","enumeration"]}
cost_hint	mid
effectiveness_score	0

Skill: List & Table Extraction（结构化列表批量提取）

目标

解决从权威页面（如 Wikipedia、IMDb、官方数据库）提取结构化列表或表格数据时， 因逐行搜索或迭代提取导致的搜索死循环和效率低下问题。 核心策略：定位聚合页 -> 批量提取 -> 本地过滤，一次完成。 扩展策略：对于跨实体的宽泛查询，采用实体分解 -> 并行提取 -> 结果聚合的策略。

适用场景

1. 作品列表提取：某人/团体的完整作品表（电影、游戏、专辑、书籍）
2. 成员名单提取：某组织/机构的成员列表、历任领导人
3. 事件边界列表：时间范围由历史事件定义的列表（如"东印度公司统治期间的总督"）
4. 属性聚合表：多个同类实体的同一属性（如各共和国的领导人、各球场容量）
5. 时间/条件过滤列表：需要对完整列表按年份、类型等条件过滤的子集
6. 学术成果列表：某机构/个人在特定会议/期刊发表的论文标题列表（如"清华大学NLP组在ACL 2026发表的论文"）
7. 预发布学术统计：会议官方程序尚未发布时，从实验室主页、arXiv 预印本或官方公告中批量提取已确认的录用/投稿统计（如"ACL 2026 国内各 NLP 组录用情况"）
8. 多赛事奖项列表：同一机构在同一年份参加多项赛事并获奖的清单（如"2019年中南大学在A赛与B赛分别获得的奖项"）
9. 跨实体聚合列表：目标列表覆盖多个独立实体（如品牌、国家、机构），且不存在单一权威汇总页（如"国内所有电车品牌2022-2025年发布车型"），需按实体分解后并行提取。
10. 历史时间窗口产品列表：需要提取特定历史时间段内发布的产品或模型（如"2022-2025年发布的电车"），而非当前在售列表。

不适用场景

• 单一事实查询（如"谁导演了这部电影？"）
• 需要从每个实体的独立详情页获取深层属性（应使用分布式属性检索）
• 非结构化文本摘要

核心原则

原则1：聚合源优先

第一步必须尝试寻找包含完整数据的"聚合页面"（如 Wikipedia 的"List of..."页面）。 严禁直接遍历实体列表进行单独搜索。

原则2：实体页优先于列表搜索

永远不要直接搜索"完整列表"。搜索引擎很难返回完美的列表页面，但很容易返回实体主页。 搜索目标应是"人/团体名 + 权威来源"，到达页面后再定位列表章节。

原则3：批量优于迭代

绝对禁止逐个点击链接或逐行提取证据。必须将整个数据源视为一个整体对象。 一旦定位到包含列表的页面，使用代码（Python/Pandas）批量解析。

原则4：事件边界先解析

如果时间范围由历史事件隐式定义，必须先将事件解析为具体年份， 再进行列表提取和过滤。未解析边界前，禁止大规模列表提取。

原则5：预发布数据识别

当目标会议/事件尚未正式发布完整列表时，优先搜索：

• 实验室官网的"News"或"Publications"栏目
• 官方 Twitter/Weibo 公告合集页
• arXiv 预印本列表（按机构+会议关键词过滤）
• 会议官方 Blog 的"Accepted Papers"预发布页

原则6：多赛事并行分解

当查询包含"同一年份 + 多项赛事/活动"时，按（赛事, 年份）原子对拆分为并行子任务； 每个子任务独立搜索对应赛事的获奖公告或新闻页，再统一由 auto_extraction 收割奖项段落。

原则7：宽泛范围实体分解

当查询范围过宽（如"国内所有电车"），导致单一权威页面不存在时，必须先识别关键子实体（如主要品牌），将任务分解为多个并行的子查询。严禁试图寻找一个包含所有数据的"超级列表页"，应采用"分而治之"策略，按品牌/类别分发并行任务。

原则8：历史回溯优先于当前列表

当查询涉及特定历史时间窗口内的产品发布（如"2022-2025年发布的车型"）时，严禁仅依赖当前的"产品列表"或"在售车型"页面。当前列表通常只展示在售款，缺失已停产或迭代款。 必须优先搜索"Timeline"（时间线）、"History"（历史）或"Model Year"（年款）页面，或按年份拆分查询（如"Models released in 2023"），以确保覆盖该时间窗口内的所有历史条目。

执行流程

Step 1：识别数据类型与范围策略

• 分析查询，确定目标实体类型和所需属性
• 范围评估：判断是否存在单一聚合页。如果范围涵盖多个大类实体（如多个品牌、多个国家），优先执行实体分解策略（见原则7）。
• 时间窗口评估：如果查询特定过去时间段的产品列表，确认是否需要历史时间线页面而非当前产品目录（见原则8）。
• 如果涉及事件边界，先执行子查询获取具体年份
• 构造聚合查询词定位数据源

查询模板：

• 作品列表：{Entity Name} filmography/discography site:wikipedia.org
• 成员名单：List of {Entity} members site:wikipedia.org
• 属性聚合：List of {attribute} of {entity_type}
• 对比表：{entity_type} comparison table {attribute}
• 学术列表：{Institution} {Conference} {Year} papers site:aclanthology.org
• 预发布学术统计：{Conference} {Year} accepted papers site:{lab_homepage_domain} OR site:arxiv.org
• 多赛事奖项：{Institution} {Year} {Competition Name} award site:edu.cn
• 跨实体分解：{Brand/Category} {Product Type} list {Year} (用于并行子任务)
• 历史时间线：{Brand} {Product} history timeline site:wikipedia.org
• 年份发布列表：{Brand} models released in {Year}

Step 2：验证页面结构

打开搜索结果中最权威的页面后：

• 确认页面包含结构化的表格或列表
• 检查表格表头是否包含目标属性（特别是时间属性，如"Release Date"或"Year"）
• 如果属性缺失，判断是否需要转向详情页遍历

Step 3：批量数据提取

• 打开目标页面后用 find() 定位表格行，或用 Python 解析原 HTML
• 提取所有行数据到内存，而非逐行手动提取
• 保留实体名称和详情页链接（为后续可能的深层属性查询做准备）

Step 4：数据清洗与过滤

在本地环境中处理数据：

• 应用过滤条件（年份范围、类型限制等）
• 清洗格式（去除引用标记、统一日期格式）
• 对事件边界列表，用解析出的年份进行严格数字比较
• 当需要计数时，先按日期列过滤再计数，避免手动逐条核对

Step 5：输出与验证

• 确保所有列名符合问题要求
• 检查边界年份附近的条目（开区间/闭区间）
• 如聚合页缺少部分数据，仅对缺失项进行单独检索（兜底策略）