使用正则提取+大模型补全实现SKU字段结构化：先通过多语言语义锚点正则捕获Color/Size/Material，再用阶跃AI校验补全，最后归一化导出UTF-8-SIG编码CSV。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
阶跃AI数据清洗实战：利用正则表达式与大模型快速整理混乱数据——当你面对一批从电商后台导出的SKU列表，字段混杂着“颜色:藏青/深蓝”“尺码:S/M/L（加厚）”“材质：棉+聚酯纤维（含氨纶）”，而你需要在1小时内输出符合亚马逊标准的结构化CSV（Color、Size、Material三列分明），单靠人工整理会漏项、错标、超时交付。
识别并提取非结构化字段中的关键信息
第一步：观察原始文本中重复出现的语义锚点。比如“颜色”“Color”“Colour”“Col.”都指向同一维度，不能只匹配固定中文，否则遇到英文混排就失效。
第二步：用正则捕获带冒号或顿号分隔的键值对。写规则r'(?:颜色|Color|Colour|Col\.?)\s*[:：、]\s*([^;；\n]+)'，注意[^;；\n]+表示匹配到下一个分号、中文分号或换行前的所有内容，避免跨字段抓取。
第三步：对每个匹配结果做trim和去括号处理。例如“藏青/深蓝（升级版）”要保留斜杠分隔但剔除括号内冗余描述，直接用re.sub(r'（[^）]*）', '', matched_value).strip()即可。
这一步操作起来很简单，直接把文件拖进去就行。但【必须先确认原始字段里没有嵌套冒号，比如“备注：颜色：藏青”这种双重冒号结构，否则正则会截断】。
用大模型补全缺失字段并校验逻辑一致性
方法一：影刀RPA + 阶跃AI Power调用
在影刀流程中拖入“AI对话”指令→选择阶跃AI模型→输入Prompt：“你是一名电商数据工程师。请根据以下SKU描述，严格按JSON格式输出Color、Size、Material三个字段。若某字段缺失，填null；若描述矛盾（如同时写‘纯棉’和‘含聚酯纤维’），将Material设为‘CONFIRM_REQUIRED’。描述：{input}”。
将小说章节转换为电影分镜剧本。用户上传txt/md/docx文本，AI分析场景、角色、情绪、镜头语言，输出专业分镜脚本。适用于用户提及“分镜”“storyboard”“小说转分镜”“影视改编”“镜头脚本”或需要将小说改编为分镜的场景。
方法二：Python + requests直连阶跃API
构造HTTP POST请求，headers中加入Authorization: Bearer <your_api_key></your_api_key>，body为JSON格式，包含model（如"step-1.5"）、messages（system+user两段）、temperature=0.1（强制确定性输出）。返回后用json.loads(response.text)解析，捕获KeyError异常防止字段缺失崩流程。
注意：阶跃API返回的JSON可能含多余空格或换行符，务必用json.dumps(parsed, separators=(',', ':'))标准化后再存入DataFrame。
批量清洗并导出标准化CSV
① 将正则提取结果与大模型补全结果合并为统一DataFrame，列名强制设为['sku_id', 'Color', 'Size', 'Material']。
② 对Color列执行去重映射：建立字典{'藏青': 'Navy Blue', '深蓝': 'Navy Blue', '卡其': 'Khaki', '米白': 'Cream'}，用df['Color'].map(mapping_dict).fillna(df['Color'])转换。
③ 对Size列做归一化：识别“S/M/L”“Small/Medium/Large”“XS-S-M-L-XL”等变体，统一转为“XS,S,M,L,XL”逗号分隔字符串，便于后续系统解析。
④ 执行df.to_csv('cleaned_sku.csv', index=False, encoding='utf-8-sig')导出。加encoding='utf-8-sig'是为了让Excel能正确识别中文，不加会导致打开后乱码。
