LlamaParse 进阶技巧：用熟之后还能怎么提效
LlamaIndex 提供的文档解析服务——这是 LlamaParse 最主要的用途，也是本文讨论的前提。
这些技巧适合已经会基本操作、想进一步提效的用户。
8 条进阶用法
- 给一个你满意的样例，让它模仿结构而不是复制内容。
- 长材料分段处理，每段完成后再要一份汇总。
- 敏感信息用代号替换，交付前再换回。
- 记录每次的输入、设置和结果，形成自己的经验库。
- 要求输出「不确定清单」，把需要人工核实的地方单独列出。
- 遇到瓶颈时，用 Unstructured 做一次对照，判断是工具问题还是用法问题。
- 同一任务准备 5 份测试材料，改设置后统一复测。
- 先要大纲或计划，再要全文，复杂任务分两到三步完成。
示例：分步完成的写法
网页内容抓取
适用情况：手头有一组需要定期关注的网页时。
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」。
验收标准：没有臆造发布日期。
延伸练习
资料卡片整理
准备材料：搜索得到的十几篇资料。
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。
检查点：每张卡片都有来源。
内部文档入库
准备材料：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。
检查点：切分后的段落能回溯到页码。
构建问答测试集
输入：一份产品手册。
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。
交付前确认：每个答案都能在手册中找到。
常见问题：中文检索效果差
选择对中文支持好的嵌入模型，并为专有名词建立同义词。
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。
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。
概念补充：RAG（检索增强生成）
先检索相关资料再让模型作答，降低胡编概率。
概念补充：嵌入（Embedding）
把文本转成向量，用于语义相似度检索。
适合人群：客服人员
客服人员可以用 LlamaParse 处理回复草稿、工单分类等工作。需要注意：不得以 AI 名义做出政策外承诺，涉及隐私的问题按流程处理。
适合人群：咨询顾问
咨询顾问可以用 LlamaParse 处理行业研究、访谈整理等工作。需要注意：客户机密遵守保密协议，研究结论注明来源。
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
本文基于 LlamaParse 公开的定位与通用用法编写，具体功能、套餐与可用地区以官方页面为准，产品更新后界面和名称可能变化。
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。