PACE：通过代理自动化进行出版商自适应内容提取

Web 内容提取对于可靠的 LLM 数据管道至关重要，但现有方法往往难以同时满足准确性、可扩展性和适应性。通用提取器可以广泛应用，但它们对于发布者特定的布局和更丰富的提取目标（例如元数据、图像和表格）通常很脆弱。基于 LLM 的直接提取提供了更大的灵活性，但会产生大量的成本和延迟，而手动设计的特定于发布者的解析器可以实现高精度，但需要大量的人力来构建和维护。我们引入了 PACE，这是一个代理框架，用于从代表性页面和用户需求中学习发布者特定的提取配置。在训练期间，PACE 使用 LLM 来分析页面结构并聚合可重用的提取模式。在推理时，学习到的配置会实例化固定的确定性提取器模板，从而无需额外的 LLM 调用即可实现可扩展提取。涵盖文章正文、元数据和多模式提取的实验表明，PACE 的性能优于可扩展的非手动基线，同时接近手动设计的特定于发布者的解析器的质量。 PACE 实现了对文章文本、元数据、图像和表格的更强大提取，这表明代理配置学习可以自动提取文章文本之外的 LLM 就绪页面表示的发布者特定的提取。