本文学习来源个人学习笔记整理总结，有错误或者遗漏希望大家指正。

方案适合场景优点局限Prompt 要求 JSON简单结构化输出实现成本最低稳定性一般，需要自己解析校验字段较明确的信息抽取比纯指令更清晰仍依赖模型遵循提示Python 应用内结构化抽取能生成格式指令并自动解析格式错误时仍需重试策略Pydantic 模型强类型结构化结果字段、类型、描述集中管理Schema 设计质量很关键RAG 响应需要结构化与检索和响应合成结合好依赖 LlamaIndex 工作流需

RAG 的关键不只是“检索”，而是“怎么把用户问题变成适合检索的问题”。用户问题 -> 向量检索 -> LLM 回答用户问题-> 判断意图-> 改写 / 拆分 / 结构化 / 路由-> 选择合适检索方式-> 检索后重排 / 压缩 / 校正-> 再生成答案也就是查询时优化。

Embedding 是 RAG 检索的语义基础。向量是语义坐标语义相近，向量距离更近文档和查询必须使用同一个或兼容的 Embedding 模型检索模型通常通过对比学习等方式，让 query 和相关文档靠近多模态 Embedding 的重点是跨模态对齐，不是简单各自转向量。

Load 是把原始资料变成可处理的知识原料。Chunking 是把知识原料设计成适合检索的知识单位。文件是否能读出来。内容是否完整准确。结构是否被识别。噪声是否被清理。元数据是否保留。chunk 是否语义完整。chunk 是否主题集中。chunk 是否长度合适。chunk 是否能被问题召回。chunk 是否带有可溯源 metadata。

Load 是把原始资料变成可处理的知识原料。Chunking 是把知识原料设计成适合检索的知识单位。文件是否能读出来。内容是否完整准确。结构是否被识别。噪声是否被清理。元数据是否保留。chunk 是否语义完整。chunk 是否主题集中。chunk 是否长度合适。chunk 是否能被问题召回。chunk 是否带有可溯源 metadata。