💡 一句话总结：中国科大团队的 CPSE 解决一个特别真实的工程痛：schema 设计好了、下游接口也接好了，但 LLM 就是抽不可靠，而你只有三五份已核验的标注。它的做法是把 schema 拆成「冻结的结构契约 + 可变的字段语义」，用文本反馈自动校准提示词和字段描述，再让模型「先列材料清单、再按清单填空」------聚合物论文抽取提升 9.93 分，输出 100% 合法，接口一个字节没动。
导语：schema 不是设计出来的，是「调」出来的
先问一个做过文档抽取的朋友都懂的问题：你的抽取 prompt 迭代到第几版了？
典型剧情是这样的：产品定了一个几百个字段的 JSON schema，字段路径、类型、嵌套都跟下游系统焊死了。然后你开始写 prompt------「聚合温度要抽聚合时的温度，不要抽后期测试的温度」「缺测就填 null，别编」------跑一批文档，发现某个字段总串味，改一句描述；另一个字段总把相邻两个样品的值混到一起，再改一句。三百个字段这么手工试错下来，人对 schema 的热情基本就耗干了。
更扎心的是，这时候你手里可能只有几份专家核验过的标注------不算训练模型，够不着；纯手工调 prompt，调不动。这个夹缝里的活，论文给了个正式名字：few-instance schema calibration（少样本 schema 校准）------只有少量已核验抽取结果时，怎么系统地改字段语义，而不是傻试。
中科大团队的回答是 CPSE（contract-preserving semantic extraction，契约保持的语义抽取），核心主张就藏在标题里：改语义，别动结构。想自己看？资源在这：
想自己动手试？
- 📄 论文：arXiv 2609.34841
- 💻 代码：GitHub · yyhlm/CPSE
这篇论文到底想解决什么问题？
先拆一下「schema 执行不可靠」的病灶在哪。一个 JSON schema 规定了字段叫什么、什么类型、嵌套在哪，但它没规定的是操作语义：这个字段的证据在哪几页？单位怎么归一？两个样品的值怎么归属？「聚合温度」和「测试温度」差在哪？这些知识全存在领域专家脑子里，schema 本身不携带。
为什么不让自动 prompt 优化来救？现有的路子分两派，各有各的局限：
- 优化任务指令（OPRO、GEPA、MIPROv2 这些）：改的是全局指导，字段级的「证据归属」问题它够不着------三百个字段的细微差别塞不进一段总指令。
- 优化 schema 本身（如 PARSE）：直接改 schema 表示，抽取质量可能上去，但下游接口跟着变了------生产系统里这一步等于掀桌。
于是问题变成：在结构完全冻结的前提下，只用少量金标注，能不能把字段级语义校准到位？
它的思路是什么？
CPSE 的管线分四步，我们一步步看。
📐 第一步：归纳出「契约」，其余全部设为可变
拿那 3 篇有专家标注的论文，先把结构契约 C 定下来：字段路径、类型、基数、必填性、嵌套关系------这些是下游接口，一个都不许动。同时让 LLM 生成每个字段的初始描述 d₀。之后整个优化过程中，只有字段描述和提示词能改，而且改描述只能打「稀疏补丁」------系统层有个 schema-patch 提示词专门负责把反馈转成 description-only 的补丁，想增删改名字段？门都没有。这一条硬约束保证了不管怎么优化，输出结构永远合规。
🔁 第二步：文本反馈校准（TextGrad 打底）
校准引擎用的 TextGrad（用文本「梯度」迭代改提示词的框架），但加了个关键设计：评估器是 PDF 感知 的------打分时拿着原始 PDF 对照金标注，反馈的是根因（「这个字段把 B 样品的值归给了 A 样品」），并且反馈会被聚合成可复用的规则 ，而不是「这篇论文如何如何」的琐碎事实。为什么要强调这个？后面审计有答案：作者检查了 581 个训练专属字符串，校准后的提示词一个都没复用------证明它学到的是规则，不是背题。这个防过拟合的自觉，很多 prompt 优化工作都欠着。
📋 第三步：先列清单------把「找身份」和「填记录」拆开
这是针对第二类失败模式的手术。聚合物论文常在一篇里塞几十种材料，传统单遍抽取让模型同时「发现有哪些材料」和「补全每种材料的完整记录」，实体一密集，记录边界就开始糊------A 样品的玻璃化转变温度跑到 B 样品头上。
CPSE 把它拆成两步：先让身份发现提示输出一份按原文出现顺序排列的材料清单 （每条含名称、类别、形态、结构特征、来源位置），重复身份合并；然后每次只取清单里最多 5 个身份的切片，让记录解析提示对着 PDF 逐片填完整记录，最后按源顺序确定性合并、跑契约校验。一次只填 5 个空，相邻样品串味的空间就被压住了。
效果到底怎么样？
实验设定：20 篇聚合物科学论文、专家标注 JSON，3 篇训练、17 篇 held-out；抽取模型 GPT-5.6-Sol（温度 0），校准 5 轮；评委打分用 100 分制 rubric（身份 10 + 工艺 30 + 性质 50 + 表征 10），配 paired-bootstrap 置信区间和盲测专家审计。主结果三句话：
- 绝对提升 ：CPSE 拿 90.95 分，未校准单遍基线 76.45------+14.50，17 篇里 16 胜 1 平。
- 拆开看贡献 ：对着「同样用清单执行但不做文本校准」的执行对齐基线 81.02，CPSE 还能再涨 +9.93（95% CI 5.12, 16.11，全正），说明分阶段执行和语义校准各有贡献、缺一不可。消融也印证：只调提示 +6.81，只调字段描述 +5.64，联合 +10.29------两层文本是互补的。
- 外部对照：把 GEPA（当前很强的 prompt 进化优化器）接到同样的清单执行上，拿 85.52，仍比 CPSE 低 5.43 分；OPRO、MIPROv2、固定 three-shot ICL 都更靠后，不给 schema 直接抽垫底。
两个特别有说服力的旁证：一是换了一个没参与校准的独立评委（Terra），提升趋势不变（+7.21）；二是盲测专家审计------10 篇 × 8 条证据项，CPSE 78 条完全正确 vs 基线 62 条，8 篇改善 2 篇持平零回退（p=0.0078）。加上 schema 合法输出率从 94.1% 提到 100%，契约从头到尾没变过。
值得琢磨的三个细节
🎲 训练样本从 1 篇到 3 篇，提升不是单调涨的
有意思的是子集实验：1 篇范文平均 +3.48，2 篇反而 +2.23，3 篇 +9.93。低资源区间的收益不只看样本量，子集构成（那 1-2 篇论文覆盖了哪些字段形态）和优化过程的随机性都在搅局。想复现的朋友注意：范文挑得比多更重要，尽量让那几篇覆盖 schema 里最刁钻的字段用法。
🕳️ 清单漏了，后面全完
案例复盘里有个冷峻的发现：提升最大的案例（+49.2）是实体密集文档的记录边界修复，但方法的上界由身份发现那一步决定------清单里没列出的材料，下游永远救不回来。样品命名极不规范的文档，这一步的召回就是整个系统的天花板。
🧾 校准不是背题
「581 个训练专属字符串零复用」这条审计值得单独说。prompt 优化工作最容易被质疑的就是「你在训练集上过拟合提示词」，作者直接做了字符串级审计来自证清白------这个验证姿势本身就可以抄进你们的 prompt 优化流程。
能拿来做什么？
- 生产抽取系统的「交付后调优」：schema 已经接进下游、没法改结构，只有零星几份核验标注------这正是 CPSE 的主场，把它当 schema 交付流程里的一个标准工序。
- 科研数据管线的领域迁移：换一个新材料领域，不用重建系统，拿 3 篇领域金标注跑一遍校准即可。
- 任何「接口冻结 + 语义漂移」的场景：合同要素抽取、财报字段、医疗文书的结构化，逻辑同构。
泼冷水时间
- 评委和教练是同一个模型：主表的 Sol 分数来自「既当校准目标又当评委」的 GPT-5.6-Sol，虽然有独立评委 Terra 和盲测专家兜底、方向可信，但 +9.93 这个具体数字要留点余地（Terra 视角是 +7.21）。
- 规模与领域都很小：20 篇聚合物论文、一个 478 节点的 schema。换个字段更稀疏或证据更碎的领域，清单式方法是否还这么稳，论文没给证据。
- 省的是标注，不是算力：TextGrad 校准 + 双评委打分 + 逐片解析，全是强模型推理；「few-instance」指的是人只标 3 篇，不是便宜。
- 对照组全是 prompt 优化器，没跟化学/材料领域的专用 IE 系统（ChemDataExtractor 一类）比，「SOTA」只在自家赛道内成立。
理性看待
CPSE 最有价值的地方，是把一个散落在各家 prompt 里的手工活，抬成了一个有正式定义、有约束条件、有验证方法的工程阶段：schema calibration 是 schema design 之后的独立工序。契约冻结保证了它在生产里敢用，零字符串复用审计证明了它学的是规则而非记忆，「先清单后填空」则顺手解决了实体密集文档的老毛病。
对每天在「改一句 prompt 描述、跑一批、再改一句」的朋友，这篇的答案是：别再手工试错了，把字段描述变成可以被系统性优化的参数------但记得给你的下游接口上一把锁。
（数据与结论均来自论文原文，解读部分为作者观点，欢迎交流。）