自定义 Auto-Type 完整指南Hyper-Extract 如何扩展 8 大知识结构【免费下载链接】Hyper-ExtractHypergraph is more powerful. Transform unstructured text into structured knowledge with LLMs. Graphs, hypergraphs, and spatio-temporal extractions — with one command.项目地址: https://gitcode.com/GitHub_Trending/hy/Hyper-ExtractHyper-Extract 是一个开源知识抽取框架能把非结构化文本转成结构化知识图谱支持 8 大 Auto-Type 知识结构。本文面向新手带你快速搞懂 Auto-Type 扩展的 3 条路径——配置化 Python schema、YAML 模板、注册自定义方法并附一张选型决策树让你按需求挑对知识结构。先认识8 大 Auto-Type 是什么Auto-Type自动类型是 Hyper-Extract 的核心数据结构相当于塑造文档输出结果的容器。它们分为三类记录类型存数据不涉及实体关系AutoModel / AutoList / AutoSet图谱类型表示实体间关系AutoGraph / AutoHypergraph / AutoTemporalGraph / AutoSpatialGraph / AutoSpatioTemporalGraph语料类型不做提取、只做块级检索AutoDocument零 LLM 成本Auto-Type输出形状典型用例源码位置AutoModel单个对象财报摘要、产品规格model.pyAutoList有序数组Top 10 榜单、流程步骤list.pyAutoSet去重数组关键词、标签集合set.pyAutoGraph节点 边人际网络、概念图谱graph.pyAutoHypergraph节点 超边多方协作、复杂事件hypergraph.pyAutoTemporalGraph图谱 时间传记时间线、新闻分析temporal_graph.pyAutoSpatialGraph图谱 位置旅行日志、地理网络spatial_graph.pyAutoSpatioTemporalGraph图谱 时间 位置军事历史、疫情追踪spatio_temporal_graph.py所有类型都继承自 BaseAutoType共享同一套能力feed_text喂入文本、build_index建索引、search语义检索、chat问答、show可视化、dump/load存取——这就是扩展能轻松复用的原因。扩展路径 1配置化 Auto-Type最常用当你需要自定义节点/边结构但不想从零写提取逻辑时直接用 Python 的 Pydantic 类定义 schema再实例化对应的 Auto-Type 即可。以自定义图谱为例from hyperextract import AutoGraph class Person(BaseModel): name: str Field(description人员全名) role: str Field(description职位或角色) graph AutoGraphPerson, Collaboration, llm_clientllm, embedderembedder, ) graph.feed_text(text) # 喂入文本自动分块、并行提取、合并去重关键参数只有 5 个schema 定义结构、键提取器定义去重、LLM 与嵌入模型负责提取与检索。完整参数表与时序图谱示例见 使用自动类型指南。可运行的中文示例graph_demo.py从苏轼传记中提取实体与关系、hypergraph_demo.py。扩展路径 2YAML 自定义模板零代码分享如果希望把知识结构沉淀为可复用的文件、分享给团队就用 YAML 模板。它包含三部分output— 定义要抽取的实体与关系字段名称、类型、必填项guideline— 给 LLM 的提取规则双语支持display— 结果的可视化标签放在~/.hyperextract/templates/目录下执行he template validate验证后即可通过Template.create(my_domain/my_template, zh)加载使用。内置模板库金融、法律、医学、中医、工业等 7 大类 40 模板可直接参考hyperextract/templates/。详细的模板 YAML 规范与产品目录完整示例见 创建自定义模板。扩展路径 3注册自定义方法完全控制需要完全接管提取过程比如接自己的算法时用register_method注册你的方法类并声明它产出的 Auto-Type如autotypegraph之后就能像内置方法一样通过Template.create(method/my_method)调用。方法注册机制源码在 registry.py。如何选3 层架构 决策树Hyper-Extract 提供三个控制层级按需选层级方式适合谁层级 1模板 / 内置方法新手快速上手层级 2配置化 Auto-Type要自定义 schema但复用内置提取逻辑层级 3注册自定义方法完全控制提取过程结构选型决策树只要可检索的原始块 →AutoDocument单个结构化对象像表单 →AutoModel项目集合顺序重要 →AutoList只需唯一项 →AutoSet实体间关系二元 →AutoGraph加时间/位置/时空维度对应升级三元及以上 →AutoHypergraph完整决策树与用例对照表见 自动类型概念文档API 参考见 autotypes 文档。小结Hyper-Extract 的 Auto-Type 扩展遵循容器化设计8 大知识结构各自内建去重、合并、索引、检索与问答能力你只需在 3 条路径中选一条——Python 配置 schema 最灵活、YAML 模板最易分享、自定义方法控制力最强。先从内置模板起步再按需求逐层深入就能把任意文档变成可查询的结构化知识。【免费下载链接】Hyper-ExtractHypergraph is more powerful. Transform unstructured text into structured knowledge with LLMs. Graphs, hypergraphs, and spatio-temporal extractions — with one command.项目地址: https://gitcode.com/GitHub_Trending/hy/Hyper-Extract创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
自定义 Auto-Type 完整指南：Hyper-Extract 如何扩展 8 大知识结构
自定义 Auto-Type 完整指南Hyper-Extract 如何扩展 8 大知识结构【免费下载链接】Hyper-ExtractHypergraph is more powerful. Transform unstructured text into structured knowledge with LLMs. Graphs, hypergraphs, and spatio-temporal extractions — with one command.项目地址: https://gitcode.com/GitHub_Trending/hy/Hyper-ExtractHyper-Extract 是一个开源知识抽取框架能把非结构化文本转成结构化知识图谱支持 8 大 Auto-Type 知识结构。本文面向新手带你快速搞懂 Auto-Type 扩展的 3 条路径——配置化 Python schema、YAML 模板、注册自定义方法并附一张选型决策树让你按需求挑对知识结构。先认识8 大 Auto-Type 是什么Auto-Type自动类型是 Hyper-Extract 的核心数据结构相当于塑造文档输出结果的容器。它们分为三类记录类型存数据不涉及实体关系AutoModel / AutoList / AutoSet图谱类型表示实体间关系AutoGraph / AutoHypergraph / AutoTemporalGraph / AutoSpatialGraph / AutoSpatioTemporalGraph语料类型不做提取、只做块级检索AutoDocument零 LLM 成本Auto-Type输出形状典型用例源码位置AutoModel单个对象财报摘要、产品规格model.pyAutoList有序数组Top 10 榜单、流程步骤list.pyAutoSet去重数组关键词、标签集合set.pyAutoGraph节点 边人际网络、概念图谱graph.pyAutoHypergraph节点 超边多方协作、复杂事件hypergraph.pyAutoTemporalGraph图谱 时间传记时间线、新闻分析temporal_graph.pyAutoSpatialGraph图谱 位置旅行日志、地理网络spatial_graph.pyAutoSpatioTemporalGraph图谱 时间 位置军事历史、疫情追踪spatio_temporal_graph.py所有类型都继承自 BaseAutoType共享同一套能力feed_text喂入文本、build_index建索引、search语义检索、chat问答、show可视化、dump/load存取——这就是扩展能轻松复用的原因。扩展路径 1配置化 Auto-Type最常用当你需要自定义节点/边结构但不想从零写提取逻辑时直接用 Python 的 Pydantic 类定义 schema再实例化对应的 Auto-Type 即可。以自定义图谱为例from hyperextract import AutoGraph class Person(BaseModel): name: str Field(description人员全名) role: str Field(description职位或角色) graph AutoGraphPerson, Collaboration, llm_clientllm, embedderembedder, ) graph.feed_text(text) # 喂入文本自动分块、并行提取、合并去重关键参数只有 5 个schema 定义结构、键提取器定义去重、LLM 与嵌入模型负责提取与检索。完整参数表与时序图谱示例见 使用自动类型指南。可运行的中文示例graph_demo.py从苏轼传记中提取实体与关系、hypergraph_demo.py。扩展路径 2YAML 自定义模板零代码分享如果希望把知识结构沉淀为可复用的文件、分享给团队就用 YAML 模板。它包含三部分output— 定义要抽取的实体与关系字段名称、类型、必填项guideline— 给 LLM 的提取规则双语支持display— 结果的可视化标签放在~/.hyperextract/templates/目录下执行he template validate验证后即可通过Template.create(my_domain/my_template, zh)加载使用。内置模板库金融、法律、医学、中医、工业等 7 大类 40 模板可直接参考hyperextract/templates/。详细的模板 YAML 规范与产品目录完整示例见 创建自定义模板。扩展路径 3注册自定义方法完全控制需要完全接管提取过程比如接自己的算法时用register_method注册你的方法类并声明它产出的 Auto-Type如autotypegraph之后就能像内置方法一样通过Template.create(method/my_method)调用。方法注册机制源码在 registry.py。如何选3 层架构 决策树Hyper-Extract 提供三个控制层级按需选层级方式适合谁层级 1模板 / 内置方法新手快速上手层级 2配置化 Auto-Type要自定义 schema但复用内置提取逻辑层级 3注册自定义方法完全控制提取过程结构选型决策树只要可检索的原始块 →AutoDocument单个结构化对象像表单 →AutoModel项目集合顺序重要 →AutoList只需唯一项 →AutoSet实体间关系二元 →AutoGraph加时间/位置/时空维度对应升级三元及以上 →AutoHypergraph完整决策树与用例对照表见 自动类型概念文档API 参考见 autotypes 文档。小结Hyper-Extract 的 Auto-Type 扩展遵循容器化设计8 大知识结构各自内建去重、合并、索引、检索与问答能力你只需在 3 条路径中选一条——Python 配置 schema 最灵活、YAML 模板最易分享、自定义方法控制力最强。先从内置模板起步再按需求逐层深入就能把任意文档变成可查询的结构化知识。【免费下载链接】Hyper-ExtractHypergraph is more powerful. Transform unstructured text into structured knowledge with LLMs. Graphs, hypergraphs, and spatio-temporal extractions — with one command.项目地址: https://gitcode.com/GitHub_Trending/hy/Hyper-Extract创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
