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。

这篇写给软件工程师：围绕代码阅读与重构、测试与排错和技术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。

软件工程师的三个高频用法

1. 代码阅读与重构

提示词示例：

先不要改代码。阅读这个模块，画出主要函数的调用关系，指出可以安全重构的部分和风险点，再给出分步重构计划。

把关：先计划后改动。

2. 测试与排错

提示词示例：

这是失败的测试输出和相关代码，请定位原因，给出最小修复，并补一个能防止回归的测试用例。

把关：修复后测试通过。

3. 技术文档

可直接复制到 Unstructured 里修改：

根据这段代码和注释生成接口文档：参数、返回值、错误码、调用示例，示例必须能直接运行。

把关：示例代码可运行。

也可以试试：资料卡片整理

这是「搜索与知识库」类工具的通用任务，软件工程师同样用得上。

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。

边界与合规

不要把密钥和未开源代码上传到未授权工具，合并前审阅每处改动。

  • 产出由软件工程师本人负责，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

检索效果对比

适用情况：手头有同一批问题和两种检索配置时。

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。

交付前确认：对比用同一批问题。

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」。

交付前确认：没有臆造发布日期。

内部文档入库

适用情况：手头有一批 PDF、Word 和网页时。

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。

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：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：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。

概念补充：嵌入（Embedding）

把文本转成向量，用于语义相似度检索。

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：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。

写在最后

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。

文中提示词和示例仅作示意，实际效果取决于你的材料和 Unstructured 当前版本，重要内容请人工核对后再使用。

延伸阅读