Entity Extraction 是一个用于构建销售机器人实体抽取能力的技能，目标是帮助开发者创建能可靠地从非结构化潜在客户回复中抽取结构化数据的系统。
一、用途 该技能面向销售场景，帮助销售机器人从客户自由文本回复中识别并提取关键销售信号，再交给下游系统处理。
二、核心抽取实体
- 预算信号：明确金额（如“$50k”“fifty thousand”）、范围（如“between 20 and 30k”“up to $100k”）、相对表述（如“same as last year”）、隐含表述（如“cost-conscious”“enterprise budget”）。
- 时间线指标：明确日期（如“by Q2”“in March”）、相对时间（如“ASAP”“when the contract ends”）、事件驱动（如“after our funding round”）、条件式（如“once we get approval”）。
- 公司/联系人数据：公司规模、行业信号、角色指示、地点。
- 需求与痛点：功能需求、痛点陈述、使用场景、约束条件。
三、抽取策略 包括模式匹配（如预算、时间线的正则）、上下文抽取（理解语境而非仅匹配，例如从“去年花了5万但要削减”推出预算低于5万）、置信度评分（高/中/低三档）。
四、实现架构
- 预处理：规范化文本、扩展缩写、处理错别字与变体。
- 多轮抽取：第一轮直接模式匹配（高置信度），第二轮上下文NLP抽取（中置信度），第三轮从上下文推断（低置信度）。
- 实体校验：检查预算是否合理、时间线是否在未来、公司规模是否与其他信号一致。
- 冲突解决：最新提及优先、明确优于隐含、关键时请求澄清。
五、歧义处理 针对不明确回复、多实体、矛盾信息分别给出处理方式，如先提取“存在预算”布尔值再追问澄清，或更新预算并标注灵活性。
六、CRM集成 提供抽取实体到CRM字段的映射示例（如budget_amount→Opportunity.Amount、timeline_date→Opportunity.Close_Date），并区分必填字段缺失与可选字段缺失的处理方式。
七、质量保障 给出精确率、召回率、F1等指标，列举过度抽取、抽取不足、分类错误、忽视否定等常见失败模式，以及单元测试、集成测试、A/B测试、人工审查等测试方法。
八、高级技术 涵盖指代消解、时间推理、隐含实体推断。
九、输出格式 以结构化JSON输出，包含entities（预算、时间线、公司、需求等）、missing缺失字段、follow_up_needed需追问项，便于下游系统据此行动。