多源字段抽取流程
第一步:检查工具可用性
确认当前会话有 web_search 和 web_fetch。如果没有,告知用户缺少哪个工具,停止流程。
第二步:搜索并筛选来源
调用 web_search,查询词使用用户原始输入。
从返回结果中挑选 3~5 个来源,优先选:
- 官方来源(部委官网、企业公告、官方统计页面)
- 权威媒体(门户新闻、行业垂直媒体) 排除明显无关的广告、论坛帖、聚合页。
第三步:并行抓取
对选中的每个 URL 调用 web_fetch。在一次响应中同时发起多个调用,不要逐个串行。
如果某个 URL 抓取失败,记录失败原因,继续处理其他 URL。
第四步:按字段抽取
从每个成功抓取的页面中,提取以下字段:
- 日期:与查询主题直接相关的日期(如调价日期、发布日期)。不提取页脚版权年份。
- 来源名称:页面所属机构或媒体名。
- 关键数值/事实:与查询主题直接相关的具体数字或结论(如“上调XX元/吨”)。 如果某页面缺少某个字段,标注“未找到”,不要编造。
第五步:合并输出
用表格输出,一行对应一个来源:
| 来源 | 日期 | 关键数值/事实 | 抓取状态 |
|---|
表格之后追加: 共识信息:如果多个来源对同一事实的表述一致,列出。 冲突信息:如果来源之间的数值或日期不一致,列出并标注各自来源。
边界
- 不总结页面全文,只提取与查询主题相关的字段。
- 如果所有来源都抓取失败,直接报告失败,不要用搜索结果摘要代替页面内容。
- 不推荐用户去哪个来源查看,只做信息合并。