Unstructured 高效用法 8 条
在「搜索与知识库」类工具里，Unstructured 的定位是：把 PDF、Word 等文档切分清洗成 RAG 可用数据的工具。
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
- 把固定的背景和规则保存为预设或模板，避免每次重复输入。
- 要求输出「不确定清单」，把需要人工核实的地方单独列出。
- 给一个你满意的样例，让它模仿结构而不是复制内容。
- 遇到瓶颈时，用 Docling 做一次对照，判断是工具问题还是用法问题。
- 长材料分段处理，每段完成后再要一份汇总。
- 先要大纲或计划，再要全文，复杂任务分两到三步完成。
- 把「RAG（检索增强生成）」等关键设置弄清楚再调参。
- 同一任务准备 5 份测试材料，改设置后统一复测。
示例：分步完成的写法
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。
验收标准：切分后的段落能回溯到页码。
更多可以试的用法
检索效果对比
输入：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。
验收标准：对比用同一批问题。
资料卡片整理
输入：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。
交付前确认：每张卡片都有来源。
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。
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。
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。
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：引用溯源
回答附带原文出处，便于核对。
适合人群：数据分析师
数据分析师可以用 Unstructured 处理取数与 SQL、清洗与可视化等工作。需要注意：确认指标口径，敏感数据脱敏后再交给 AI 处理。
适合人群：科研人员
科研人员可以用 Unstructured 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。
适合人群：记者编辑
记者编辑可以用 Unstructured 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
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。
涉及个人信息、商业机密或受监管数据时，先确认 Unstructured 的数据处理条款，再决定能否使用。