一、方案概述 #

1.1 背景 #

在数字化时代，企业面临海量非结构化数据的管理挑战。标签作为数据组织和应用的核心手段，发挥着不可替代的作用。传统的打标方案通常基于已预处理的结构化数据，面对企业实际场景中大量存在的PDF、Word、PPT、长视频等原始格式内容时，需要额外投入人力进行格式转换、内容提取、切片处理等预处理工作，这不仅增加了实施门槛和维护成本，也难以应对文本、图片、视频等多模态内容的统一处理需求。
此外，传统的人工打标方式也已无法满足现代业务需求，存在以下问题:

• 效率与规模瓶颈：面对每天产生的海量数据（社交、电商、视频平台往往达到亿级规模），人工打标速度远无法满足业务需求，且成本高昂
• 实时性不足：​企业文档入库、视频上传后需要快速完成打标以支持检索和分发，人工方式存在明显延迟，影响内容及时可用
• 一致性与质量问题：不同标注人员理解差异导致标签不统一，影响标注质量的持续性

本方案基于大模型的深度语义理解能力，对单篇文档或视频内容进行全面分析，准确把握核心主题与上下文关系，生成结构化的标签信息。生成的标签结果可直接回写到文档或视频的元信息中，形成自动化、可复用的端到端打标流程。

1.2 适用场景 #

二、核心技术架构 #

2.1 架构图 #

2.2 方案优势 #

三、操作步骤 #

3.1 创建知识库并配置文档标签 #

创建【旗舰版】知识库，并根据业务场景选择合适的【数据类型】和【知识内容】类型。在【高级配置】中，可预先定义文档标签字段，包括标签名称、字段类型以及可选的标签选项，这些字段将作为自动打标的目标输出字段。

3.2 导入待打标文档 #

点击【导入文档】，支持三种导入方式：本地上传、从 TOS 导入、通过公开下载链接导入。文档导入后将完成解析、切片和向量化处理。

3.3 通过知识问答实现自动打标 #

3.3.1 配置检索参数

在【知识问答】功能中配置检索参数：
1、通过【标签过滤】指定需要打标的 doc_id
2、注意【结果返回数量】大于该文档的全部切片数，这样可确保大模型基于完整文档内容进行理解和打标
3、无需开启重排模型

复制 doc_id

检索参数配置

3.3.2 设置打标提示词

通过调整【知识问答】的提示词，来规范模型的标签输出结果。

提示词示例模板：

# 任务
你是一名用于文档/视频内容自动打标签的内容理解助手。
当前提供给你的参考资料，是来自同一个文档或视频的多个内容切片。
这些切片已经通过文档标识进行过滤，并尽可能覆盖该内容的全部或主要部分。
请将这些切片视为一份完整内容的不同组成部分进行整体理解。
你的任务是基于参考资料，对该文档或视频进行结构化标签生成或抽取。

# 行为要求
1. 请综合理解所有切片内容，而不是只依据某一段局部信息。
2. 所有标签值必须来源于参考资料本身，不得引入外部知识或进行主观推测。
3. 如果某个标签字段在内容中未明确体现，请不要输出该字段。
4. 不要复述原文内容，不要解释分析过程，也不要输出任何与结果无关的文字。
5. 输出结果将被直接用于写入文档元数据，必须保持结构稳定、可被程序解析。

# 标签体系定义（按照实际定义的标签修改）
以下是你需要识别和抽取的标签字段。每个字段都有明确的定义、类型和取值范围（如适用）：
- 字段名: 标题  
    - 字段类型: string  
    - 定义: 文档或视频的主标题  
    - 抽取规则: 从内容中识别出明确的标题文本,不得自行概括
- 字段名: 内容类型
    - 字段类型: string  
    - 取值范围: ["教程", "报告", "新闻", "讨论", "演示"]  
    - 定义: 内容的类型分类
- 字段名: 主题标签  
    - 字段类型: list<string>  
    - 取值范围: ["技术", "商业", "科学", "教育", "娱乐", "健康", "财经", "其他"]  
    - 定义: 内容的主题分类
    - 抽取规则: 可选择1-3个最相关的标签

# 输出规范
- 仅允许输出 JSON
- 不允许输出 Markdown、注释、说明性文字或多余内容
- 输出结构由用户指令给定，请严格遵循

# 输出格式示例
你需要输出的内容必须符合如下结构示例（字段名和字段类型仅为示例，实际以用户指令为准）：

{
  "meta": [
    {
      "field_name": "示例字段名",
      "field_type": "string",
      "field_value": "示例字段值"
    },
    {
      "field_name": "示例字段名",
      "field_type": "date_time",
      "field_value": "2025-08-12T00:00:00+08:00"
    }
  ]
}

# 字段类型约束
field_type 仅允许使用以下类型之一，不得使用未列出的类型：
- int64
- float32
- string
- bool
- list<string>
- list<int64>
- date_time
  - 格式示例：2025-08-12T00:00:00+08:00
- geo_point
  - 格式示例："longitude,latitude"
  - longitude 取值范围 (-180, 180)，类型为 float32
  - latitude 取值范围 (-90, 90)，类型为 float32

# 严格限制
- 严禁编造标签值或补全缺失信息
- 不要输出空值、null、占位符或默认值
- 不要输出与标签无关的任何内容

# 参考资料
以下内容为同一文档或视频的多段切片，请在整体理解后完成打标签任务：

<context>
  {{ .retrieved_chunks }}
</context>

3.3.3 执行打标任务

配置完成后，建议先在产品界面的【知识问答】中测试打标效果，验证提示词配置和标签生成质量。
文档打标示例：

视频打标示例：

确认效果符合预期后，可点击左下角【创建服务调用】，参考 知识服务接口文档 发起问答请求，即可得到打标结果。

3.3.4 标签写入及检索

如后续需要在知识库检索文档时使用对应标签过滤，则需要将大模型打标的结果可以通过 更新知识库文档信息接口 再更新到文档标签上。
请求示例：

curl -i -X POST \
  -H 'Content-Type: application/json' \
  -H 'Authorization: HMAC-SHA256 ***' \
  https://api-knowledgebase.mlp.cn-beijing.volces.com/api/knowledge/doc/update_meta \
  -d '{
    "collection_name": "test_collection_name",
    "project": "",
    "doc_id": "test123",
    // 自动打标结果示例
    "meta": [
      {"field_name": "报告主题", "field_type": "string", "field_value": "科技创新公司财务报告"},
      {"field_name": "发布时间", "field_type": "date_time", "field_value": "2025-03-15T00:00:00+08:00"}
    ]
  }'

标签写入成功后，可在列表页查看已配置的标签值；进行知识检索/问答时，支持基于标签编辑过滤条件实现精准检索与问答。