📰 来源：Towards Data Science　|　📅 翻译日期：2026年7月6日
🔗 原文：查看原文
🤖 翻译：DeepSeek AI · 仅供参考

生成砖块简介

本文是企业文档智能系列中生成砖块的第二部分，该系列从四个砖块构建企业RAG系统：文档解析、问题解析、检索和生成。第8A篇文章（回答合约）声明了类型化模式家族和ANSWER_REGISTRY，它将每个答案形状映射到其模式。本部分构建了填充合约的调用：输入一个ParsedQuestion；调度器从注册表中选择模式，从固定的BASE加上片段组合系统提示，构建用户提示，调用模型，并保留完整轨迹。调用后对答案的处理是第8C篇文章（验证）。

生成是第四个砖块。初次阅读的读者可以从各自文章中了解前三个砖块：

• 文档解析：将PDF转换为结构化表格：第5A篇（PDF中读取的内容）和第5B篇（关系数据模型）。
• 问题解析：将用户字符串转换为类型化的ParsedQuestion：第6A篇（论点）、第6B篇（提取）和第6C篇（调度）。
• 检索：将段落过滤到应包含答案的范围：第7A篇（检索作为过滤）、第7B篇（锚点检测）和第7C篇（LLM仲裁器）。

本文在系列中的位置：第8篇（生成），提示组装部分，位于第二部分（四个砖块）——图片来源：作者

📓 可运行配套笔记本在GitHub上：doc-intel/notebooks-vol1。

公共配套代码仓库doc-intel/notebooks-vol1——图片来源：作者

1. 从简要到提示：调度器

每个问题形状一个提示，在调用时组合。这就是调度器。替代方案是每个RAG代码库容易陷入的巨型提示：一个系统提示同时处理金额、日期、列表、表格和自由文本。每次调用都会增加一个新的条件子句（“如果答案是日期，使用ISO 8601；如果是金额，使用ISO 4217；如果是列表，每个元素一行……”），模型每次都读取所有内容，两个月后没人记得哪个子句是为哪个情况添加的。

我们将构建的调度器取代了这种混乱。合约：输入一个ParsedQuestion；输出三样东西：模式（根据expected_answer_shape从ANSWER_REGISTRY中选择）、系统提示（固定的BASE加上简要请求的片段）和用户提示（问题+关键词+标注的段落行）。它调用模型，在轨迹上保留完整的原始响应，返回类型化结果。添加一个新形状就添加一个片段；添加一个新约束就添加一个片段；没有组合爆炸。

一个ParsedQuestion输入，一个类型化调用输出：调度器组合模式、系统提示和用户提示，然后返回答案及其轨迹——图片来源：作者

我们排除了替代方案：一个包含所有子句的巨型提示（浪费token，当表格格式化子句渗入金额答案时难以调试），或者每个形状独立的N个提示（每个形状更清晰，但跨所有模板重复了横切约束（格式、区分、必须消除歧义），并且每次更改都需要重新同步）。

1.1 简要：ParsedQuestion

调度器读取由问题解析砖块产生的ParsedQuestion。完整模式是关系型的（嵌套Pydantic对象，不是扁平简要）：keywords（类型化对象，不是字符串）、expected_answer_shape、decomposition、scope_filters、执行计划、解析注释，以及为后续砖块（检索：RetrievalQuery和生成：GenerationBrief）做的两个准备。

本文读取该对象的三个部分：expected_answer_shape（选择模式和形状片段）、generation（携带格式约束、近似候选项之间的消歧和要区分的值）和keywords（在用户提示中回显，以便模型标记哪些出现在检索到的段落中）。边界清晰：形状检测位于问题解析中；模板组装位于此处。

我们在下面内联构建ParsedQuestion；包的当前源码src/docintel/question/parse_question.py只提供最小版本。一旦问题解析砖块完成其完整实现，模式和调度器将升级到包中。

class Keyword(BaseModel):
    text: str
    weight: float = 1.0
    source: Literal['direct','llm_expansion','expert_dictionary'] = 'direct'
    is_regex: bool = False

class RetrievalQuery(BaseModel):
    main_query: str
    rewrites: list[str] = []
    anchor_keywords: list[str] = []
    section_hint: str | None = None
    scope: str = 'default'

class GenerationBrief(BaseModel):
    original_question: str
    format_constraint: dict[str, str] = {}
    disambiguation: str | None = None
    must_distinguish: list[Distinction] = []

class ExecutionPlan(BaseModel):
    use_toc_navigation: bool = True
    use_keyword_retrieval: bool = True
    use_embeddings: bool = False
    iterate_on_feedback: bool = True
    max_iterations: int = 3

class ParsedQuestion(BaseModel):
    original_question: str
    keywords: list[Keyword]
    expected_answer_shape: Literal['text','amount','date','boolean','list','table']
    decomposed_subquestions: list[str] = []
    activations: ExecutionPlan = ExecutionPlan()
    parsing_notes: list[str] = []
    suggested_clarification: str | None = None
    retrieval: RetrievalQuery
    generation: GenerationBrief

1.2 来自问题的结构提示

用户的问题措辞限制了检索范围，而无需在管道上添加任何新标志。当问题说“在第1页”、“第5页到第7页”或“在定价表上”时，该指针位于ParsedQuestion.structural_hints上。检索读取它并过滤搜索空间。没有chunk_strategy="passthrough"，没有绕过参数，没有特殊的短文档路径。操作员通过在问题中编写来控制范围。

该字段每种格式携带一个列表。本文仅针对PDF，因此pages_hint是此处相关的字段；系列后期涉及的其他格式的兄弟字段暂不讨论：

class Str