# Extraction पैटर्न और "Unknown" सँभाल — Prompt Engineering

Source: https://www.geekswithgeeks.com/hi/prompt-engineering/s-extract

> ग़ायब मान गढ़े बिना पाठ से fields निकालें।

## अनुमान न लगाने दें

Extraction (नाम, तिथियाँ, राशियाँ, entities) LLM के सबसे भरोसेमंद उपयोगों में है, अगर आप विफलता के मामले को नियंत्रित करें। मॉडल से कहें कि **सिर्फ़ पाठ** उपयोग करे, अनुपस्थित fields के लिए `null` या `"unknown"` लौटाए, मान **जैसे लिखे हैं वैसे** (या निर्दिष्ट normalised रूप जैसे ISO तिथियाँ) कॉपी करे, और वैकल्पिक रूप से हर मान का समर्थन करने वाला **उद्धरण** लौटाए ताकि आप जाँच सकें कि वह स्रोत में है। ग़ायब field वाला एक उदाहरण जोड़ें। फिर कोड में जाँचें कि हर लौटाया उद्धरण वाक़ई इनपुट का substring है।

## Extraction prompt

प्रमाण-उद्धरण और स्पष्ट null माँगता है। उदाहरण; यहाँ चलाया नहीं गया।

```text
Extract the fields from <email>. Use ONLY the email text.
Return JSON: {"order_id": str|null, "amount": number|null, "quote_order": str|null, "quote_amount": str|null}
If a field is not stated, use null. Each quote must be copied exactly from the email.

<email>
Hi, my order 4821 was delayed. Please advise.
</email>

Expected: {"order_id": "4821", "amount": null, "quote_order": "order 4821", "quote_amount": null}
```

## जिन formats को आप नियंत्रित करते हैं उन्हें normalise करें

ISO तिथियाँ (2026-10-02) और मुद्रा चिह्न के बिना सादी संख्याएँ माँगें, और कोड में parse करें।

**Quiz:** समर्थक उद्धरण क्यों माँगें?

- [ ] Validation छोड़ने के लिए
- [ ] उत्तर लंबा करने के लिए
- [x] कोड जाँच सकता है कि हर मान स्रोत में है
- [ ] मॉडल बदलने के लिए

*Answer:* कोड जाँच सकता है कि हर मान स्रोत में है. उद्धरण यांत्रिक रूप से जाँचा जा सकता है, गढ़े मान पकड़ता है।