Unstructured：把 PDF、Word、HTML 等资料转成 AI 知识库可用文本
一句话：Unstructured 是文档解析和预处理工具，能处理 PDF、Word、HTML、PPT、图片等资料，常用于 RAG 知识库、客服机器人、企业资料库、合同分析和内容整理。
它是什么
AI 知识库最怕原始资料格式混乱：PDF 有表格、页眉、脚注、扫描图片，Word 有标题层级，网页有导航栏。Unstructured 的作用是先把这些文件切分和整理成更适合 LLM 检索、总结和问答的结构化文本。
适合干什么
- 把公司制度、产品手册、售后文档整理进客服知识库
- 把 PDF 报告转成 Markdown，再交给 AI 总结
- 把合同、报价单、说明书批量解析成结构化内容
- 给 Dify、AnythingLLM、LangChain、LlamaIndex 做文档预处理
不适合干什么
- 扫描件和复杂表格不一定 100% 准确，需要人工抽查
- 大批量文档处理要注意 CPU、内存和 OCR 成本
- 含客户隐私或合同数据时，不要随便上传到第三方 API
常见误区
和相似工具的区别
- 和 Docling 比：Unstructured 生态成熟、格式覆盖广；Docling 在文档转换和结构化方面也很强。
- 和 PyMuPDF 比：Unstructured 更适合知识库预处理；PyMuPDF 更适合底层 PDF 操作。
- 和直接上传 Dify 比：先用 Unstructured 清洗，复杂 PDF 的检索质量通常更可控。