企业官网建设流程全解析

自定义 Auto-Type 完整指南：Hyper-Extract 如何扩展 8 大知识结构

【免费下载链接】Hyper-ExtractHypergraph is more powerful. Transform unstructured text into structured knowledge with LLMs. Graphs, hypergraphs, and spatio-temporal extractions — with one command.项目地址: https://gitcode.com/GitHub_Trending/hy/Hyper-Extract

Hyper-Extract 是一个开源知识抽取框架，能把非结构化文本转成结构化知识图谱，支持 8 大 Auto-Type 知识结构。本文面向新手，带你快速搞懂 Auto-Type 扩展的 3 条路径——配置化 Python schema、YAML 模板、注册自定义方法，并附一张选型决策树，让你按需求挑对知识结构。

先认识：8 大 Auto-Type 是什么？

Auto-Type（自动类型）是 Hyper-Extract 的核心数据结构，相当于"塑造文档输出结果的容器"。它们分为三类：

• 记录类型：存数据，不涉及实体关系（AutoModel / AutoList / AutoSet）
• 图谱类型：表示实体间关系（AutoGraph / AutoHypergraph / AutoTemporalGraph / AutoSpatialGraph / AutoSpatioTemporalGraph）
• 语料类型：不做提取、只做块级检索（AutoDocument，零 LLM 成本）

所有类型都继承自 BaseAutoType，共享同一套能力：feed_text喂入文本、build_index建索引、search语义检索、chat问答、show可视化、dump/load存取——这就是"扩展"能轻松复用的原因。

扩展路径 1：配置化 Auto-Type（最常用）

当你需要自定义节点/边结构，但不想从零写提取逻辑时，直接用 Python 的 Pydantic 类定义 schema，再实例化对应的 Auto-Type 即可。以自定义图谱为例：

from hyperextract import AutoGraph class Person(BaseModel): name: str = Field(description="人员全名") role: str = Field(description="职位或角色") graph = AutoGraphPerson, Collaboration, llm_client=llm, embedder=embedder, ) graph.feed_text(text) # 喂入文本，自动分块、并行提取、合并去重

关键参数只有 5 个：schema 定义结构、键提取器定义去重、LLM 与嵌入模型负责提取与检索。完整参数表与时序图谱示例见 使用自动类型指南。

可运行的中文示例：graph_demo.py（从苏轼传记中提取实体与关系）、hypergraph_demo.py。

扩展路径 2：YAML 自定义模板（零代码分享）

如果希望把知识结构沉淀为可复用的文件、分享给团队，就用 YAML 模板。它包含三部分：

1. output— 定义要抽取的实体与关系字段（名称、类型、必填项）
2. guideline— 给 LLM 的提取规则（双语支持）
3. display— 结果的可视化标签

放在~/.hyperextract/templates/目录下，执行he template validate验证后，即可通过Template.create("my_domain/my_template", "zh")加载使用。内置模板库（金融、法律、医学、中医、工业等 7 大类 40+ 模板）可直接参考：hyperextract/templates/。详细的模板 YAML 规范与产品目录完整示例见 创建自定义模板。

扩展路径 3：注册自定义方法（完全控制）

需要完全接管提取过程（比如接自己的算法）时，用register_method注册你的方法类并声明它产出的 Auto-Type（如autotype="graph"），之后就能像内置方法一样通过Template.create("method/my_method")调用。方法注册机制源码在 registry.py。

如何选？3 层架构 + 决策树

Hyper-Extract 提供三个控制层级，按需选：

结构选型决策树：

• 只要可检索的原始块 →AutoDocument
• 单个结构化对象（像表单） →AutoModel
• 项目集合：顺序重要 →AutoList；只需唯一项 →AutoSet
• 实体间关系：二元 →AutoGraph（加时间/位置/时空维度对应升级）；三元及以上 →AutoHypergraph

完整决策树与用例对照表见 自动类型概念文档，API 参考见 autotypes 文档。

小结

Hyper-Extract 的 Auto-Type 扩展遵循"容器化"设计：8 大知识结构各自内建去重、合并、索引、检索与问答能力，你只需在 3 条路径中选一条——Python 配置 schema 最灵活、YAML 模板最易分享、自定义方法控制力最强。先从内置模板起步，再按需求逐层深入，就能把任意文档变成可查询的结构化知识。

【免费下载链接】Hyper-ExtractHypergraph is more powerful. Transform unstructured text into structured knowledge with LLMs. Graphs, hypergraphs, and spatio-temporal extractions — with one command.项目地址: https://gitcode.com/GitHub_Trending/hy/Hyper-Extract