Извлечение метаданных из документов через LLM: пайплайн от PDF до JSON

Парадокс: LLM теряет точность когда скармливаешь весь документ целиком. 4K токенов правильно выбранного текста дают F1-score 0.76, а 64K токенов полного контракта — только 0.75. Модель теряется в больших объёмах, лучше дать меньше но по делу. Метод позволяет автоматически извлекать структурированные данные из договоров — даты, стороны, суммы, условия — в готовый JSON без ручного копипаста. Фишка: не гони весь документ в промпт — сначала выдели 2-3 страницы где реально есть нужные поля. Потом добавь пошаговые рассуждения (CoT) для сложных полей и JSON-схему для структуры. Точность подскакивает, а токенов жрёт в разы меньше. Бонус: второй запрос с LLM-судьей (проверить готовый результат) поднимает точность с 73% до 80% — проверять проще чем извлекать с нуля.