regex-vs-llm-structured-text

name	regex-vs-llm-structured-text
description	在解析结构化文本时选择正则表达式还是 LLM 的决策框架 —— 从正则开始，仅对低置信度边缘情况添加 LLM。
origin	ECC

正则 vs LLM 结构化文本解析

解析结构化文本（测验、表单、发票、文档）的实用决策框架。核心洞察：正则表达式能以低成本、确定性的方式处理 95-98% 的情况。将昂贵的 LLM 调用留给剩余的边缘情况。

何时激活

• 解析具有重复模式的结构化文本（问题、表单、表格）
• 在正则表达式和 LLM 之间进行文本提取的选择决策
• 构建结合两种方法的混合流水线
• 优化文本处理中的成本/准确率权衡

决策框架

文本格式是否一致且重复？
├── 是（>90% 遵循某种模式） -> 从正则开始
│   ├── 正则处理 95%+ -> 完成，无需 LLM
│   └── 正则处理 <95% -> 仅对边缘情况添加 LLM
└── 否（自由形式、变化很大） -> 直接使用 LLM

架构模式

源文本
    │
    ▼
[正则解析器] ─── 提取结构（95-98% 准确率）
    │
    ▼
[文本清理器] ─── 去除噪声（标记、页码、伪影）
    │
    ▼
[置信度评分器] ─── 标记低置信度提取结果
    │
    ├── 高置信度（≥0.95） -> 直接输出
    │
    └── 低置信度（<0.95） -> [LLM 验证器] -> 输出

实现

1. 正则解析器（处理大多数情况）

import re
from dataclasses import dataclass

@dataclass(frozen=True)
class ParsedItem:
    id: str
    text: str
    choices: tuple[str, ...]
    answer: str
    confidence: float = 1.0

def parse_structured_text(content: str) -> list[ParsedItem]:
    """使用正则模式解析结构化文本。"""
    pattern = re.compile(
        r"(?P<id>\d+)\.\s*(?P<text>.+?)\n"
        r"(?P<choices>(?:[A-D]\..+?\n)+)"
        r"Answer:\s*(?P<answer>[A-D])",
        re.MULTILINE | re.DOTALL,
    )
    items = []
    for match in pattern.finditer(content):
        choices = tuple(
            c.strip() for c in re.findall(r"[A-D]\.\s*(.+)", match.group("choices"))
        )
        items.append(ParsedItem(
            id=match.group("id"),
            text=match.group("text").strip(),
            choices=choices,
            answer=match.group("answer"),
        ))
    return items

2. 置信度评分

标记可能需要 LLM 审查的项目：

@dataclass(frozen=True)
class ConfidenceFlag:
    item_id: str
    score: float
    reasons: tuple[str, ...]

def score_confidence(item: ParsedItem) -> ConfidenceFlag:
    """评分提取置信度并标记问题。"""
    reasons = []
    score = 1.0

    if len(item.choices) < 3:
        reasons.append("few_choices")
        score -= 0.3

    if not item.answer:
        reasons.append("missing_answer")
        score -= 0.5

    if len(item.text) < 10:
        reasons.append("short_text")
        score -= 0.2

    return ConfidenceFlag(
        item_id=item.id,
        score=max(0.0, score),
        reasons=tuple(reasons),
    )

def identify_low_confidence(
    items: list[ParsedItem],
    threshold: float = 0.95,
) -> list[ConfidenceFlag]:
    """返回低于置信度阈值的项目。"""
    flags = [score_confidence(item) for item in items]
    return [f for f in flags if f.score < threshold]

3. LLM 验证器（仅用于边缘情况）

def validate_with_llm(
    item: ParsedItem,
    original_text: str,
    client,
) -> ParsedItem:
    """使用 LLM 修复低置信度的提取结果。"""
    response = client.messages.create(
        model="claude-haiku-4-5-20251001",  # 用于验证的最便宜模型
        max_tokens=500,
        messages=[{
            "role": "user",
            "content": (
                f"Extract the question, choices, and answer from this text.\n\n"
                f"Text: {original_text}\n\n"
                f"Current extraction: {item}\n\n"
                f"Return corrected JSON if needed, or 'CORRECT' if accurate."
            ),
        }],
    )
    # 解析 LLM 响应并返回修正后的项目...
    return corrected_item

4. 混合流水线

def process_document(
    content: str,
    *,
    llm_client=None,
    confidence_threshold: float = 0.95,
) -> list[ParsedItem]:
    """完整流水线：正则 -> 置信度检查 -> 边缘情况使用 LLM。"""
    # 步骤 1：正则提取（处理 95-98%）
    items = parse_structured_text(content)

    # 步骤 2：置信度评分
    low_confidence = identify_low_confidence(items, confidence_threshold)

    if not low_confidence or llm_client is None:
        return items

    # 步骤 3：LLM 验证（仅标记的项目）
    low_conf_ids = {f.item_id for f in low_confidence}
    result = []
    for item in items:
        if item.id in low_conf_ids:
            result.append(validate_with_llm(item, content, llm_client))
        else:
            result.append(item)

    return result

生产环境指标

来自生产环境测验解析流水线（410 个项目）：

指标	值
正则成功率	98.0%
低置信度项目	8 (2.0%)
需要的 LLM 调用	~5
相比全 LLM 的成本节省	~95%
测试覆盖率	93%

最佳实践

• 从正则开始 — 即使不完美的正则也为你提供改进基线
• 使用置信度评分 以编程方式识别需要 LLM 帮助的内容
• 使用最便宜的 LLM 进行验证（Haiku 级别模型即可）
• 永不修改 已解析的项目 — 从清理/验证步骤返回新实例
• TDD 对解析器效果很好 — 先为已知模式编写测试，再处理边缘情况
• 记录指标（正则成功率、LLM 调用次数）以跟踪流水线健康状态

需要避免的反模式

• 在正则能处理 95%+ 情况时将所有文本发送给 LLM（昂贵且缓慢）
• 对自由形式、变化很大的文本使用正则（LLM 在这方面更好）
• 跳过置信度评分，期望正则"刚好能用"
• 在清理/验证步骤中修改已解析的对象
• 不测试边缘情况（格式错误的输入、缺失字段、编码问题）

何时使用

• 测验/考试题目解析
• 表单数据提取
• 发票/收据处理
• 文档结构解析（标题、章节、表格）
• 任何具有重复模式且成本敏感的结构化文本