把 LlamaParse 放进工作流：搭配工具与交接要点
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。
单独用一个工具往往只解决一段问题，这篇讲怎么把它和上下游工具串起来。
推荐组合：LlamaParse + GPT Researcher
GPT Researcher 的定位是：自动检索多来源并生成研究报告的开源智能体。两者分工可以是：LlamaParse 负责「网页内容抓取」这一步，GPT Researcher 负责查找文献与核实引用。
工作流步骤
- 明确交付物和验收标准，例如：没有臆造发布日期。
- 准备输入：一组需要定期关注的网页，先去掉敏感信息。
- 在 LlamaParse 中执行核心步骤（提示词见下文）
- 把结果交给 GPT Researcher 做下一步处理，或从 GPT Researcher 取得所需材料。
- 人工检查关键事实与格式，记录发现的问题。
- 把这次用到的提示词和设置保存为模板，下次复用。
网页内容抓取
输入：一组需要定期关注的网页。
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」。
交付前确认：没有臆造发布日期。
交接时最容易出问题的地方
- 格式不兼容：两边导入导出的格式提前测试一次。
- 信息丢失：每次交接附上来源和版本号。
- 责任不清：约定哪一步由谁做最终确认。
- 成本叠加：两个工具都可能计费，先估算用量。
如果暂时不想引入第二个工具，也可以先用 Docling 等同类产品替代其中一环，跑通流程后再决定。
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。
交付前确认：关键结论都有可点击来源。
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。
验收标准：每张卡片都有来源。
检索效果对比
准备材料：同一批问题和两种检索配置。
用同一批测试问题分别跑关键词检索、向量检索和混合检索，记录前 5 条结果中正确段落的命中情况。
检查点：对比用同一批问题。
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：切分（Chunking）
把长文档拆成适合检索的小段，大小影响效果。
概念补充：引用溯源
回答附带原文出处，便于核对。
适合人群：研究生
研究生可以用 LlamaParse 处理文献阅读、开题与论文写作等工作。需要注意：遵守学校学术诚信规定，AI 只用于辅助理解和润色。
适合人群：记者编辑
记者编辑可以用 LlamaParse 处理采访整理、资料核查等工作。需要注意：事实必须多源核实，不得用 AI 生成虚构引语，遵守所在机构的 AI 使用规范。
注意事项
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。
文中提示词和示例仅作示意，实际效果取决于你的材料和 LlamaParse 当前版本，重要内容请人工核对后再使用。