regex-vs-llm-structured-text

構造化テキスト解析のための正規表現 vs LLM

クイズ、フォーム、請求書、ドキュメントなどの構造化テキストを解析するための実践的な意思決定フレームワーク。重要な洞察：正規表現で95〜98%のケースを低コストかつ決定論的に処理できます。残りのエッジケースにのみ高価なLLM呼び出しを予約します。

いつアクティブにするか

• 繰り返しパターンを持つ構造化テキスト（質問、フォーム、表）の解析
• テキスト抽出における正規表現とLLMの選択判断
• 両方のアプローチを組み合わせたハイブリッドパイプラインの構築
• テキスト処理におけるコスト/精度トレードオフの最適化

意思決定フレームワーク

テキスト形式は一貫しており、繰り返しパターンを持っていますか？
├── はい（>90%がパターンに従う）→ 正規表現から開始
│   ├── 正規表現で95%以上処理可能 → 完了、LLM不要
│   └── 正規表現で95%未満 → エッジケースにのみLLMを追加
└── いいえ（自由形式でばらつきが大きい）→ LLMを直接使用

アーキテクチャパターン

ソーステキスト
    │
    ▼
[正規表現パーサー] ─── 構造を抽出（95-98%の精度）
    │
    ▼
[テキストクリーナー] ─── ノイズを除去（マーカー、ページ番号、アーティファクト）
    │
    ▼
[信頼度スコアラー] ─── 低信頼度の抽出をフラグ付け
    │
    ├── 高信頼度（≥0.95）→ 直接出力
    │
    └── 低信頼度（<0.95）→ [LLMバリデーター] → 出力

実装

1. 正規表現パーサー（大部分を処理）

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]:
    """正規表現パターンを使用して構造化テキストを解析します。"""
    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. 信頼度スコアリング

LLMによるレビューが必要な可能性のあるアイテムをフラグ付けします：

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

def score_confidence(item: ParsedItem) -> ConfidenceFlag:
    """抽出の信頼度をスコアリングし、問題をフラグ付けします。"""
    reasons = []
    score = 1.0

    if len(item.choices) < 3:
        reasons.append("選択肢が少なすぎる")
        score -= 0.3

    if not item.answer:
        reasons.append("回答が欠落")
        score -= 0.5

    if len(item.text) < 10:
        reasons.append("テキストが短すぎる")
        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]:
    """信頼度しきい値を下回るアイテムを返します。"""
    flags = [score_confidence(item) for item in items]
    return [f for f in flags if f.score < threshold]

3. LLMバリデーター（エッジケースのみ）

def validate_with_llm(
    item: ParsedItem,
    original_text: str,
    client,
) -> ParsedItem:
    """LLMを使用して低信頼度の抽出を修正します。"""
    response = client.messages.create(
        model="claude-haiku-4-5-20251001",  # バリデーションには最も安価なモデル
        max_tokens=500,
        messages=[{
            "role": "user",
            "content": (
                f"このテキストから質問、選択肢、回答を抽出してください。\n\n"
                f"テキスト: {original_text}\n\n"
                f"現在の抽出結果: {item}\n\n"
                f"正確な場合は修正されたJSONを、または'CORRECT'を返してください。"
            ),
        }],
    )
    # LLMの応答を解析し、修正されたアイテムを返します...
    return corrected_item

4. ハイブリッドパイプライン

def process_document(
    content: str,
    *,
    llm_client=None,
    confidence_threshold: float = 0.95,
) -> list[ParsedItem]:
    """完全なパイプライン: 正規表現 → 信頼度チェック → エッジケースにはLLM"""
    # ステップ1: 正規表現による抽出（95-98%を処理）
    items = parse_structured_text(content)

    # ステップ2: 信頼度スコアリング
    low_confidence = identify_low_confidence(items, confidence_threshold)

    if not low_confidence or llm_client is None:
        return items

    # ステップ3: LLMバリデーション（フラグ付けされたアイテムのみ）
    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

実績のあるメトリクス

本番環境のクイズ解析パイプライン（410アイテム）より：

メトリクス	値
正規表現の成功率	98.0%
低信頼度アイテム	8 (2.0%)
必要なLLM呼び出し	~5
全LLM方式と比較したコスト削減	~95%
テストカバレッジ	93%

ベストプラクティス

• まずは正規表現から — 不完全な正規表現でも、改善のベースラインとなります
• 信頼度スコアリングを使用 して、LLMの支援が必要なものをプログラムで特定します
• 最も安価なLLMをバリデーションに使用（Haikuクラスのモデルで十分）
• 解析済みアイテムを決して変更しない — クリーニング/バリデーション手順では新しいインスタンスを返します
• パーサーにはTDDが効果的 — まず既知のパターンのテストを書き、次にエッジケースのテストを書きます
• メトリクスを記録（正規表現成功率、LLM呼び出し回数）してパイプラインの健全性を追跡します

避けるべきアンチパターン

• 正規表現で95%以上処理できるケースで、すべてのテキストをLLMに送信する（高コストで低速）
• 自由形式でばらつきの大きいテキストに正規表現を使用する（LLMの方が適している）
• 信頼度スコアリングを省略し、正規表現が「うまく機能する」と期待する
• クリーニング/バリデーション中に解析済みオブジェクトを変更する
• エッジケース（不正な入力、欠落フィールド、エンコーディングの問題）をテストしない

いつ使用するか

• クイズ/試験問題の解析
• フォームデータの抽出
• 請求書/領収書の処理
• ドキュメント構造の解析（ヘッダー、セクション、表）
• コストが重要となる繰り返しパターンを持つ構造化テキスト全般