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。

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：Unstructured + Browser Use

Browser Use 的定位是：让大模型操作浏览器的开源库。两者分工可以是：Unstructured 负责「资料卡片整理」这一步，Browser Use 负责把前后步骤串成自动化流程。

工作流步骤

  1. 明确交付物和验收标准，例如：每张卡片都有来源。
  2. 准备输入：搜索得到的十几篇资料，先去掉敏感信息。
  3. 在 Unstructured 中执行核心步骤（提示词见下文）
  4. 把结果交给 Browser Use 做下一步处理，或从 Browser Use 取得所需材料。
  5. 人工检查关键事实与格式，记录发现的问题。
  6. 把这次用到的提示词和设置保存为模板，下次复用。

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。

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。
  • 权限分散：两边的账号和分享范围分别检查。

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。

延伸练习

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」。

检查点：没有臆造发布日期。

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。

检查点：切分后的段落能回溯到页码。

构建问答测试集

输入：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。

检查点：每个答案都能在手册中找到。

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：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。

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。

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。

适合人群：软件工程师

软件工程师可以用 Unstructured 处理代码阅读与重构、测试与排错等工作。需要注意：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。

适合人群：销售

销售可以用 Unstructured 处理客户背景调研、跟进邮件与话术等工作。需要注意：客户数据按公司规定处理，报价和承诺以合同为准。

使用提醒

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