SiameseUIE与ChatGPT结合：智能问答系统中的信息抽取应用

你有没有遇到过这样的场景？向一个智能助手提问，比如“帮我总结一下《三国演义》里刘备的主要事迹”，它可能会给你一段还算通顺的概括，但当你追问“那他和关羽、张飞是在哪里结义的？当时他们各自多大？”时，回答就开始变得模糊，甚至出错。

问题出在哪？很多强大的生成模型，比如ChatGPT，在理解和生成连贯文本方面非常出色，但它们并不总是擅长从一段话里精准地“抠”出结构化的信息，比如具体的人物、地点、时间、关系。这就像一位口才极佳的演讲家，却不太会做精细的数据整理工作。

今天，我们就来聊聊如何把两位“专家”组合起来：让专门负责精准“信息抽取”的SiameseUIE，和擅长“理解与生成”的ChatGPT联手，构建一个更聪明、更靠谱的智能问答系统。我们不止讲概念，更会聚焦于如何让这套组合拳在实际场景中落地，看看它到底能解决哪些具体问题。

1. 为什么问答系统需要“信息抽取”这位搭档？

在深入技术细节之前，我们先搞清楚一个核心问题：一个光会“说”的模型，为什么还需要一个会“找”的模型来帮忙？

想象一下，你问ChatGPT：“苹果公司最新款手机的发布时间和起售价是多少？” 基于它庞大的训练数据，它很可能给出一个大致正确的答案：“苹果公司在2023年9月发布了iPhone 15系列，起售价为799美元。” 这个答案看起来不错。

但如果我们把问题换成：“根据下面这段财经新闻，找出提到的公司、产品、发布时间和价格预期。” 然后附上一段可能包含多个产品、模糊时间点和预测价格的复杂文本。这时，单纯依赖生成模型就可能出现信息遗漏、混淆或“捏造”细节的情况（即幻觉问题）。

这就是信息抽取（Information Extraction, IE）的价值所在。它的任务非常明确：像一台高精度的扫描仪，从非结构化的文本中，识别并提取出预先定义好的结构化信息，比如实体（人物、组织、地点）、关系（A是B的CEO）、事件（某公司于某时发布某产品）等。

SiameseUIE就是这样一个专精于信息抽取的模型。它的特点是“通用”和“精准”。你不需要为每一种新的信息类型（比如“药物副作用”、“合同条款”）重新训练一个模型，通过设计合适的“提示”（Prompt），它就能尝试去抽取。这对于构建需要处理多样、动态内容的问答系统至关重要。

所以，一个理想的智能问答流程应该是：先用“信息抽取专家”SiameseUIE把文本中的关键事实、数据精准地提取出来，整理成结构化的“知识卡片”；然后再把这些清晰的“卡片”交给“语言生成专家”ChatGPT，让它基于这些准确的事实来组织语言、回答问题。前者保证了答案的准确性和事实依据，后者则提供了回答的流畅性和上下文连贯性。

2. 系统架构设计：让1+1>2

那么，如何将SiameseUIE和ChatGPT组合成一个协同工作的系统呢？这里我们设计一个清晰、实用的架构。这个架构的核心思想是分工与协作，而不是让一个模型做所有事。

整个系统可以看作一个处理流水线，如下图所示（概念示意）：

用户提问
    ↓
[问题分析与路由]
    ↓
        ↓——（如果是事实型、数据型查询）——→ [SiameseUIE信息抽取模块]
        |                                           ↓
        |                                   结构化信息（JSON/列表）
        |                                           ↓
        ↓                                           ↓
[信息整合与答案生成模块] ←-----------------------（输入）
（由ChatGPT驱动）                                    |
        ↓                                           |
[最终答案]                                         |

2.1 核心模块详解

让我们拆解一下图中的几个关键模块：

1. 问题分析与路由模块 这是系统的“调度中心”。它的任务是通过分析用户的问题，决定走哪条处理路径。这个分析可以基于简单的规则（如关键词匹配：“抽取”、“找出”、“列出”等），也可以借助一个轻量级的分类模型。

• 路径A（抽取+生成）：适用于问题明确要求从给定文本中提取特定信息。例如：“从下面这段公司简介里，抽取出创始人、成立时间和总部地点。”
• 路径B（直接生成）：适用于开放式的聊天、创意写作或不需要精确数据支撑的概括性问题。例如：“用幽默的方式介绍一下云计算。”

2. SiameseUIE信息抽取模块 这是我们的“数据挖掘工”。当路由模块判定需要精确信息时，文本和抽取指令（即Prompt）会被发送到这里。

• 部署与调用：得益于像CSDN星图这样的平台提供的预置镜像，部署SiameseUIE变得非常简单。你无需从零开始配置Python环境、安装各种依赖包。通常，拉取镜像、启动服务后，你会获得一个API端点。
• 关键：设计抽取提示（Prompt）：这是发挥SiameseUIE能力的关键。你需要用自然语言明确告诉它要抽什么。例如，针对一段医疗文本，你的Prompt可以是：“请从以下文本中抽取疾病名称、症状和推荐的药物，并以JSON格式输出。”
• 输出：该模块会返回结构化的数据，比如一个JSON对象：{"疾病": ["感冒"]， “症状”: ["咳嗽"， “流鼻涕"]， “药物”: ["阿司匹林"]}。这一步的输出是精准、无修饰的事实数据。

3. 信息整合与答案生成模块（ChatGPT） 这是我们的“内容编辑与撰稿人”。它接收来自前一步的结构化信息，以及用户的原始问题（或重新组织后的问题），然后生成自然语言的回答。

• 输入组装：我们将SiameseUIE提取的结构化信息，以清晰的方式（如“根据已提取的信息：疾病为感冒，症状包括咳嗽和流鼻涕...”）作为上下文或系统提示的一部分，输入给ChatGPT。
• 指令设计：我们需要指示ChatGPT：“请基于以下精确提取的信息，回答用户的问题。不要添加信息中不存在的内容，也不要遗漏关键数据。” 这能有效约束其“自由发挥”的倾向，减少幻觉。
• 优势：ChatGPT会利用其强大的语言能力，将这些“数据点”串联成一个通顺、友好、符合语境的完整句子或段落，大大提升了回答的可读性和用户体验。

2.2 一个简单的代码示例

假设我们已经有一个部署好的SiameseUIE服务（API地址：http://your-siameseuie-server/extract）和ChatGPT的API密钥。下面是一个高度简化的核心流程代码片段，展示如何串联两者：

import requests
import json

# 假设的配置
SIAMESEUIE_API_URL = "http://your-siameseuie-server/extract"
CHATGPT_API_KEY = "your-chatgpt-api-key"
CHATGPT_API_URL = "https://api.openai.com/v1/chat/completions"

def hybrid_qa_system(user_question, context_text=None):
    """
    混合问答系统核心函数。
    user_question: 用户问题
    context_text: 如果需要从特定文本抽取，则提供此文本
    """
    # 1. 简单路由逻辑（这里用关键词模拟）
    need_extraction_keywords = ["抽取"， "找出"， "列出"， "总结出"]
    need_extraction = any(keyword in user_question for keyword in need_extraction_keywords) and context_text
    
    extracted_info = None
    
    # 2. 如果需要且提供了上下文，则调用SiameseUIE
    if need_extraction:
        # 设计SiameseUIE的Prompt，这里简单构造，实际可根据问题动态生成
        extraction_prompt = f"请从以下文本中抽取出所有重要的人物、地点、时间和事件信息，以JSON格式输出。文本：{context_text}"
        
        siamese_payload = {
            "text": context_text,
            "prompt": extraction_prompt
            # 实际API参数可能不同，需参考具体镜像文档
        }
        
        try:
            response = requests.post(SIAMESEUIE_API_URL, json=siamese_payload)
            if response.status_code == 200:
                extracted_info = response.json()  # 假设返回的是JSON
                print(f"SiameseUIE提取结果：{extracted_info}")
            else:
                print("SiameseUIE抽取失败")
        except Exception as e:
            print(f"调用SiameseUIE API出错：{e}")
    
    # 3. 组装ChatGPT的输入
    messages = []
    
    # 系统指令，约束ChatGPT基于事实回答
    system_message = {
        "role": "system",
        "content": "你是一个严谨的助手。请严格根据提供的信息回答问题，不要编造信息。如果信息不足，请说明。"
    }
    messages.append(system_message)
    
    # 如果有提取的信息，将其作为上下文
    if extracted_info:
        info_context = f"以下是从相关文本中精确提取的结构化信息：\n{json.dumps(extracted_info, ensure_ascii=False, indent=2)}\n\n请基于以上信息回答用户的问题。"
        messages.append({"role": "user"， "content": info_context})
    
    # 加入用户的最终问题
    messages.append({"role": "user"， "content": user_question})
    
    # 4. 调用ChatGPT生成最终答案
    headers = {
        "Authorization": f"Bearer {CHATGPT_API_KEY}",
        "Content-Type": "application/json"
    }
    
    chatgpt_payload = {
        "model": "gpt-3.5-turbo",  # 或 "gpt-4"
        "messages": messages,
        "temperature": 0.2  # 较低的温度值使输出更确定、更基于事实
    }
    
    try:
        response = requests.post(CHATGPT_API_URL, headers=headers, json=chatgpt_payload)
        result = response.json()
        final_answer = result['choices'][0]['message']['content']
        return final_answer
    except Exception as e:
        return f"生成答案时出错：{e}"

# 使用示例
context = "2023年9月12日，苹果公司在加利福尼亚州的库比蒂诺发布了iPhone 15和iPhone 15 Pro。CEO蒂姆·库克主持了发布会。"
question = "苹果公司最新手机是什么时候发布的？发布地点在哪？"

answer = hybrid_qa_system(question, context)
print("最终答案：", answer)

这段代码展示了最基本的串联逻辑。在实际生产中，你需要处理更复杂的路由、更健壮的Prompt工程、错误处理以及可能的多轮对话状态管理。

3. 实际效果对比：组合拳的优势在哪里？

理论说得好，不如实际跑一跑。我们通过几个典型场景，来直观感受一下“单用ChatGPT”和“SiameseUIE+ChatGPT组合”的区别。

场景一：从复杂文本中提取特定数据

• 输入文本：“本公司（星辰科技）于2022年Q2财报显示，营收15.8亿元，同比增长23%。主要贡献来自云服务业务（营收9.5亿）和智能硬件业务（营收6.3亿）。CEO张伟在电话会议中强调了亚太市场的增长。”

• 用户问题：“星辰科技2022年第二季度的云服务业务营收是多少？”

• ChatGPT单独回答（可能）：“根据提供的文本，星辰科技在2022年第二季度，其云服务业务的营收为9.5亿元。” （这个回答很好，因为它简单且文本中信息明确）。

• 但是，如果文本更冗长、数据更分散，ChatGPT偶尔会加总错误或引用错误段落。

• 组合系统工作流程：

  1. SiameseUIE的Prompt：“抽取公司名称、时间、业务部门、营收数据。”
  2. SiameseUIE输出结构化数据：{"公司": ["星辰科技"]， “时间”: ["2022年Q2"]， “业务部门”: ["云服务"， “智能硬件"]， “营收”: ["15.8亿"， “9.5亿"， “6.3亿"]} （这里需要更精细的Schema设计来关联部门和营收，仅为示意）。
  3. ChatGPT基于精确的{“云服务”： “9.5亿”}这个键值对生成答案。

• 效果对比：在简单场景下，两者可能打平。但在数据密集、需要交叉验证或计算（如“云服务营收占总营收百分比？”）的场景下，组合系统因为有了清晰的结构化数据，准确性更有保障，且更容易进行后续计算。

场景二：减少“幻觉”，确保事实一致性

这是组合方案最大的优势之一。

• 输入文本：“李华医生建议患者多休息，并开具了阿莫西林胶囊，每日三次，每次一片。”

• 用户问题：“医生开了什么药？用量是多少？”

• ChatGPT单独回答（风险）：绝大多数时候答案正确。但在其训练数据不足或问题模糊时，有可能“幻觉”出其他常见药物（如“布洛芬”）或错误的用量。

• 组合系统：SiameseUIE会严格按照文本抽取{"人物": ["李华"]， “职业”: [“医生”]， “建议”: [“多休息”]， “药物”: [“阿莫西林胶囊”]， “用法用量”: [“每日三次，每次一片”]}。ChatGPT在此基础上生成答案，几乎完全杜绝了在核心事实上的幻觉。

场景三：处理长文档与多轮问答

对于一份长长的产品说明书或研究报告，组合系统的优势更加明显。

• 第一轮问题：“这份文档里提到了哪些安全注意事项？”
  • SiameseUIE可以扫描全文，抽取出所有“安全注意事项”条目。
  • ChatGPT将这些条目汇总成一段流畅的概述。
• 第二轮问题（基于上下文）：“其中关于电气安全的具体要求是什么？”
  • 系统可以回顾第一轮中SiameseUIE抽取出的所有“安全”相关结构化条目，快速定位到“电气安全”子项，再由ChatGPT组织回答。
  • 这种方式比让ChatGPT重新阅读整个长文档上下文更高效、更精准。

总的来说，组合方案在准确性、事实可靠性、处理复杂结构化查询方面具有显著优势。而单一的ChatGPT在开放性对话、创意生成、知识广度上依然不可替代。我们的架构正是为了根据问题类型，扬长避短。

4. 落地实践建议与思考

如果你打算尝试构建这样一个系统，以下是一些从实践中得来的建议：

从哪里开始？ 对于SiameseUIE部分，强烈建议从云平台的预置镜像开始，比如前面搜索资料中提到的CSDN星图镜像。这能让你在几分钟内跳过量产环境配置的坑，直接体验其信息抽取能力。先专注于设计好的Prompt，在小样本上测试抽取效果。

Prompt工程是关键 无论是给SiameseUIE的抽取指令，还是给ChatGPT的系统指令，都需要精心设计。对于SiameseUIE，指令要具体、无歧义（例如，“抽取所有日期” vs “抽取所有事件发生的时间点”）。对于ChatGPT，指令要强调“忠于提供的事实”，并设定合适的temperature参数（越低越确定）。

不是所有场景都需要 对于简单的闲聊、创意写作或知识概括类问题，直接调用ChatGPT可能更简单、成本更低、体验也更自然。这套组合方案更适合那些对答案的事实准确性、数据完整性有较高要求的场景，如智能客服（处理订单、政策查询）、教育问答（基于教材内容）、专业领域分析（金融报表、法律文书摘要）等。

关于成本与延迟 增加一个SiameseUIE抽取步骤，自然会增加系统的整体响应时间和计算成本。你需要权衡：对于你的应用场景，提升的答案精准度是否值得这点额外的开销？可以通过更智能的路由（只在必要时触发抽取）和优化部署（如将SiameseUIE部署在离API更近的GPU实例上）来平衡。

---

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。