LlamaParse 是一款开发者 API：LlamaIndex 提供的文档解析服务。

下面用几组示意对比，说明同一任务里提示写法和流程不同会带来什么差别。

对比一：模糊指令 vs 明确指令

改之前：直接说「帮我资料卡片整理」。结果往往泛泛而谈、格式随意。

改之后：写清材料、格式和验收标准：

把这些资料整理成卡片：每张卡片包括一句话结论、关键数据、来源和可信度评价，最后按主题分组。

变化（示意）：输出结构稳定，可以直接按「每张卡片都有来源」检查。

对比二：一次做完 vs 分步完成

改之前：把「网页内容抓取」的全部要求一次塞进去。改之后：先让它给出计划或大纲，确认后再逐步完成。变化（示意）：中途发现偏差可以及时纠正，返工更少。

把这些网页转成 Markdown，去掉导航和广告，只保留正文、发布日期和作者；发布日期缺失时标注「未知」。

对比三：不检查 vs 带检查点

改之前：拿到结果直接用。改之后：每次都对照「对比用同一批问题」检查，并让工具列出它不确定的地方。变化（示意）：问题在交付前被发现。

以上对比均为示意，用来说明方法差异，不代表具体的效率数字。

补充练习

带来源的快速调研

准备材料：一个需要事实支撑的问题。

请回答【问题】，每个关键结论后标注来源链接；如果不同来源说法不一，请分别列出；最后给出你认为最可靠的来源及原因。

检查点：关键结论都有可点击来源。

构建问答测试集

适用情况：手头有一份产品手册时。

根据手册编写 20 个用户可能问的问题及标准答案，标注答案所在章节，用来评估知识库检索效果。

验收标准：每个答案都能在手册中找到。

内部文档入库

输入：一批 PDF、Word 和网页。

把这些文档解析为干净的文本：保留标题层级和表格，去掉页眉页脚，按章节切分，每段附上原文件名和页码。

交付前确认：切分后的段落能回溯到页码。

常见问题：答案引用了错误段落

调整切分大小、加入重排序，并检查文档解析是否丢失标题。

常见问题：搜索结果过时

限定时间范围，或在提问中注明需要最新信息并核对发布日期。

常见问题：回答过于笼统

要求逐条引用原文，并限定只回答文档中有依据的内容。

概念补充：重排序（Rerank）

对初步检索结果再次打分排序，提升相关性。

概念补充：切分（Chunking）

把长文档拆成适合检索的小段，大小影响效果。

适合人群：销售

销售可以用 LlamaParse 处理客户背景调研、跟进邮件与话术等工作。需要注意：客户数据按公司规定处理，报价和承诺以合同为准。

适合人群：法务与律师助理

法务与律师助理可以用 LlamaParse 处理合同初审、法规检索等工作。需要注意：AI 输出不构成法律意见，条款和法规必须由执业人员核实。

适合人群：科研人员

科研人员可以用 LlamaParse 处理文献检索与阅读、实验记录与数据整理等工作。需要注意：遵守期刊和机构关于 AI 使用的披露要求，引用逐条核对。

写在最后

涉及个人信息、商业机密或受监管数据时，先确认 LlamaParse 的数据处理条款，再决定能否使用。

所有示例输出均为示意，不代表真实统计或效果承诺；请以自己的测试结果为准。

延伸阅读