01章节
NLP 关注什么
NLP 处理的是文本、语义和语言结构，常见任务包括分类、抽取、检索、生成、问答和对话。
不同任务需要的能力差异很大，不能把“会生成文字”和“能稳定完成业务任务”混为一谈。
AI 编程文档
这里整理 AI 编程、工具使用、自动化和开发流程里的高频实战说明，按主题持续沉淀。
左侧选择目录。
中间查看正文。
右侧使用本页导航。
正文
自然语言处理 NLP
从文本表示、任务类型、输出标准和应用边界理解 NLP，知道什么时候该用规则、什么时候该用模型。
02章节
规则和模型怎么选
高稳定、边界清晰的小任务，规则通常更便宜也更可控；语义复杂、表达变化大的任务，模型更有优势。
成熟系统里经常是二者混用，而不是非黑即白。
03章节
先定义输出标准
做 NLP 项目时，先定义任务输出标准，再决定是做抽取、分类还是生成。不要先选模型，再回头找问题。
一旦输出标准明确，数据准备、评估方式和上线策略都会清晰很多。
04章节
常见实战场景
常见场景包括客服意图识别、知识问答、文档摘要、关键词抽取、内容审核和结构化信息提取。
这些任务虽然都处理文字，但工程重点并不一样，所以一开始就要明确业务目标，而不是只看技术名词。
05章节
常见坑
常见问题包括任务定义模糊、评估标准不一致，以及把生成能力误当成业务完成能力。
如果没有清晰的输出约束，NLP 系统会看起来很聪明，但很难稳定服务真实场景。
06章节
第一个例子怎么做
第一个 NLP 例子最好选边界明确的任务，例如情感分类、关键词抽取或固定格式摘要。
不要一开始就做开放式对话系统，因为那会同时叠加任务定义、上下文管理和评估困难。
07章节
推荐学习顺序
建议先学分类和抽取，再学检索和生成，最后再碰对话和复杂问答。
因为前面的任务更容易定义输出标准，而输出标准越清楚，评估和优化就越容易。
08章节
和其他主题怎么组合
NLP 常和 LangChain、RAG、向量检索和 Agent 结合。文本任务一旦进入真实系统，往往不只是“生成一句话”，而是要接入检索、约束输出和做后处理。
所以学 NLP 时，最好同步理解系统层要怎么接住模型输出。