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。

这篇不讲概念，直接给能复制修改的模板，以及每个模板该怎么填。

模板怎么用

每个模板都由三部分组成：背景（你是谁、要做什么）、约束（格式、篇幅、禁止事项）、验收（怎样算合格）。把方括号里的内容换成你自己的信息即可。

模板 1：构建问答测试集

适合：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。

填写提示：把你最看重的一条要求放在最前面；验收看「每个答案都能在手册中找到」。

模板 2：网页内容抓取

适合：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」。

填写提示：如果结果太长，补一句字数或条数上限；验收看「没有臆造发布日期」。

模板 3：带来源的快速调研

适合：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。

填写提示：把你最看重的一条要求放在最前面；验收看「关键结论都有可点击来源」。

模板维护

  • 给每个模板编号并记录修改日期。
  • 保留一份「效果好」的示例输出作为对照。
  • 团队共用时注明适用场景和负责人。

补充练习

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。

内部文档入库

输入：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。

资料卡片整理

适用情况：手头有搜索得到的十几篇资料时。

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。

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：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：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：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。

使用提醒

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。

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。

延伸阅读