用途：Entity Extractor 技能用于指导构建命名实体识别（NER）系统，从文本中识别并分类实体，如人物、组织、地点、日期、金额，以及产品、症状、基因、合同等特定领域实体。它强调实体抽取是搜索、知识图谱等应用的基础 NLP 任务，需结合领域、技术与语言歧义处理。
主要能力：提供三类核心工作流。一是选择抽取方案，对比 spaCy 预训练、规则、微调 BERT、LLM 零样本/少样本在训练数据、准确率、速度与定制化上的差异；二是实现抽取流水线，用 spaCy 加载模型并输出实体文本、类型、起止位置与置信度，支持批量处理与后处理（归一化、缩写消解、知识库链接、质量校验）；三是构建自定义识别器，准备标注数据、配置训练并运行 python -m spacy train config.cfg --output ./models --paths.train ./train.spacy --paths.dev ./dev.spacy。
进阶用法：资料还给出 LLM 抽取、规则与机器学习混合、实体链接、关系抽取和主动学习示例，并列出常见触发语，如“Extract entities from [text]”“Train custom entity recognizer”。
适用场景：需要标准实体类型、领域自定义实体，或在实体识别之上做关系抽取的文本处理任务。
限制与注意：实体边界、嵌套实体、归一化和领域适配都需明确策略；应分实体类型评估精确率/召回率，注意模型上下文窗口与长文档分块。资料未提供该技能的收费、价格、平台或效果数据。