Unstructured 是一款开源项目：把 PDF、Word 等文档切分清洗成 RAG 可用数据的工具。

这篇写给咨询顾问：围绕行业研究、访谈整理和方案文档这几类日常工作，说明它能帮上什么忙、怎么用、哪些地方必须自己把关。

咨询顾问的三个高频用法

1. 行业研究

在 Unstructured 中可以这样提：

围绕【行业】整理一份行业概览框架：市场结构、主要参与者类型、价值链、关键驱动因素，所有数据点标注需要补充的来源。

把关：数据点都标注了来源需求。

2. 访谈整理

可直接复制到 Unstructured 里修改：

把这几份访谈记录整理成洞察：共性观点、分歧观点、意外发现，每条附访谈对象编号和原话摘录。

把关：洞察可追溯到访谈。

3. 方案文档

在 Unstructured 中可以这样提：

根据以上分析搭建方案 PPT 的故事线：每页一句标题结论，共 12 页，标出需要数据支撑的页面。

把关：每页标题是结论句。

也可以试试：检索效果对比

这是「搜索与知识库」类工具的通用任务，咨询顾问同样用得上。

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。

边界与合规

客户机密遵守保密协议，研究结论注明来源。

  • 产出由咨询顾问本人负责，AI 只是草稿和辅助。
  • 对外内容发布前至少看一遍。
  • 如单位有规定的工具清单，优先在清单内选择；Unstructured 的同类还有 Docling、LlamaParse。

一周试用建议

选一个最常做的任务连续用 5 个工作日，记录每次节省的时间和需要修改的地方，再决定是否把 Unstructured 纳入日常流程。

补充练习

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。

验收标准：切分后的段落能回溯到页码。

网页内容抓取

准备材料：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」。

验收标准：没有臆造发布日期。

常见问题：表格内容检索不到

换用能保留表格结构的解析工具，或单独把表格转成文本描述。

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：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：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。

适合人群：法务与律师助理

法务与律师助理可以用 Unstructured 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。

注意事项

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。

本文基于 Unstructured 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。

延伸阅读