场景一：知识问答
输入是制度、手册与历史问答，输出是带来源的回答。关键是检索质量与来源引用，回答应能点回原文，否则无法核对；用户第一次发现答错就会失去信任。
场景二：文本抽取
输入是合同、发票、报表等文档，输出是结构化字段。需配合规则校验与抽检，关键字段错误会影响下游业务，只看总体准确率容易误判风险。
场景三：翻译本地化
输入是产品资料与界面文案，输出是多语版本。术语一致性依赖术语表，品牌与合规表述需人工审校，机器输出不宜直接发布，尤其是对外宣传材料。
场景四：摘要与报告
输入是会议记录、巡检记录与多份材料，输出是摘要与要点。摘要要保留数字与结论的原文出处，避免在归纳过程中改变事实，否则报告无法用于决策。企业里可落地的场景通常具备输入格式稳定、结果可抽检、责任人明确三个特征。知识问答、文档起草、数据整理、客户响应辅助与流程质检这五类场景，本质上都
场景五：分类与路由
输入是用户描述，输出是类别与优先级。适合与规则结合，先由模型判断语义类别，再由规则处理值班与升级路径，避免紧急工单被排到最后。是先解决输入标准化，再谈模型效果。若输入仍是散落在个人电脑里的非结构化文件，应先做资料归集与字段定义，否则模型输出无法复核，也难以进入业务流程。
适用与不适用
适合谁
- 正在挑选模型应用场景的业务部门
- 有大量文档处理需求的企业
- 需要提升一线响应速度的服务团队
不适合谁
- 要求输出完全可复现的法定文书场景
- 没有原文可核对的自由生成需求
典型场景
某物业企业的客服中心把报修描述交给模型做类别与紧急度判断，再由规则分配到不同班组；同时用检索回答常见收费与流程问题，回答附带制度条款出处，超出范围转人工。
可执行步骤
- 盘点文档与文本处理环节的重复工作
- 为每个场景确定输出格式与校验方式
- 先做知识问答或分类等低风险场景
- 关键字段设置规则校验与抽检
- 按场景配置复核人与升级路径
常见坑
- 抽取结果直接入库，关键字段错误在下游放大。
- 摘要改动数字或结论，报告与原始记录不一致。
- 翻译不做术语统一，多语版本表述不一致。
- 分类场景不设升级规则，紧急工单被排到最后。
自检与验收清单
- 输出是否有明确格式与校验
- 关键字段是否有抽检
- 摘要是否保留原文出处
- 术语表是否统一维护
- 分类是否有升级与兜底规则
常见问题
抽取类场景怎么验收？
按字段分别统计准确率与抽检结果，关键字段单独设门槛，并检查错误是否能被规则拦截，而不是只看总体数字。
翻译能直接用吗？
对外发布的译文需人工审校，尤其是品牌表述与合规用语。机器翻译适合做初稿与内部参考。
分类准确率不够怎么办？
先补样本与类别定义，再用规则处理边界情况。分类体系本身模糊时，换模型也无法解决。
这类工作最小可运行的验收标准是什么？
选一个真实业务小样本，约定输入、输出格式与抽检比例，连续跑两周；由业务负责人按预先写明的通过条件判定，并记录失败样本的归因。样本量不必大，但必须覆盖真实异常情况，且每次失败都能追溯到数据、提示或流程的具体环节。