用 AI 工具结构化并提取大量文本里的信息：先定字段，再谈工具
几十份合同、简历、工单、会议记录摊在面前，真正费时间的不是读，而是把散在各处的信息抄成一张能用的表：谁负责、截止到哪天、金额是多少、属于哪一类。AI 在这件事上能帮大忙，但前提是任务要定得足够具体。本文只讲结构化与提取，不讲把长文压缩成几句话的总结方法，需要总结可以看本站另一篇用 AI 在几秒内总结长文本。
下面涉及的工具口径按官方帮助中心核实，核实日期 2026-11-07；凡是写了未核实的，都是本文没有去官方渠道逐项确认的，动手前以各家官网当时的说明为准。
先分清：提取有四种任务，别混在一起提要求
把任务说错，AI 只能按错的方向干活。先对照这张表，确认你要的是哪一种。
| 任务 | 输入是什么 | 想要的输出 | 最容易错的地方 |
|---|---|---|---|
| 抽字段 | 一批格式不一的文档 | 每份文档固定几个字段的值 | 字段名含糊，同一词在不同文档里意思不同 |
| 成表 | 零散的记录或清单 | 一张列固定、行对齐的表 | 行列错位，一行里塞了两个意思 |
| 分类打标签 | 大量短文本，如工单与反馈 | 每条一个或一组标签 | 标签之间重叠，同一条可归两类 |
| 去重合并 | 多份来源重复的材料 | 一份去重后的总表 | 同一个人或同一件事换了写法，被当成两条 |
四种任务可以串起来做，但一次只提一种要求。先抽字段，再成表，最后分类与去重，这样每一步的错都看得见。
字段表是第一步：没有它，提取结果没法对账
先定字段，再喂文本，这是全文最重要的一句话。字段就是你要从每份文档里拿到的项目，字段表就是它们的清单：字段名、意思、格式、找不到时写什么。
| 字段 | 意思 | 格式要求 | 找不到时写什么 |
|---|---|---|---|
| 负责人 | 这件事归谁负责 | 只写人名，不写部门 | 未提及 |
| 截止日期 | 承诺完成的时间 | 年月日，如 2026-09-30 | 未提及 |
| 金额 | 涉及的钱数 | 数字加币种，如 12000 元 | 未提及 |
| 类别 | 属于哪一类事项 | 只能从给定的分类里选 | 待分类 |
定字段有三条规矩。第一，字段名要写死，不要一会儿叫负责人，一会儿叫经办人，AI 会把它们当成两个字段。第二，格式要给例子，日期写成年月日还是月日，金额含不含税，例子比描述管用。第三，找不到就写未提及，不要让 AI 猜一个填上去，猜出来的值混进真值里，整张表就不可信了。
分类任务还要多做一步：先把分类写成清单，每个分类写一句定义和一个例子，清单定稿后再开始提取。
工具怎么选：按任务挑，不按名气挑
三类常见工具的取舍，先看这张对比表。
| 工具 | 适合的提取任务 | 免费口径 | 提醒 |
|---|---|---|---|
| ChatGPT | 上传文件后抽字段、成表、做分类 | 免费版每天可上传 3 个文件，文档类每文件上限 512MB，表格类约 50MB，每 3 小时最多 80 个文件 | 口径来自 OpenAI 帮助中心，额度可能随计划与地区变化 |
| Gemini Notebook | 把几十份资料放进同一本笔记里反复追问与提取 | 免费版每本笔记最多 50 个来源，每个来源上限 50 万字或 200MB，每账号最多 100 本笔记 | 原名 NotebookLM，限额以 Google 帮助中心当时说明为准 |
| Claude | 粘贴文本或上传文件后抽字段与成表 | 具体免费上传次数与单文件上限未核实 | 不要按传言中的额度规划大批量任务，先以官网为准 |
三点补充。第一，文件能上传就不要整段粘贴，粘贴只适合几千字的小任务，大批量走文件上传更稳。第二，工具之间可以分工：用 Gemini Notebook 管几十份来源的长期整理，用 ChatGPT 做单批文件的抽表。第三，各家免费额度调整频繁，上表只对核实日期当天的官方口径负责，正式开工前再看一眼官网。
提示词怎么写：给字段、给格式、给核对方法
提示词不用写得很长，但四样东西不能少：字段清单、输出格式、空值写法、核对要求。下面是一个可以直接改着用的模板。
1请从下面这份文档里提取信息，只做提取，不做总结。
2字段：负责人、截止日期、金额、类别。
3输出：Markdown 表格，列名固定为这四个字段，一行对应一份文档。
4找不到的字段写“未提及”，不要猜测，不要补写原文没有的内容。
5金额只写文档里出现的数字与币种，日期按原文写。
6最后加一行说明：你是从文档哪一部分找到每个值的。
模板里有三个关键点。第一，只做提取，不做总结，这句话把任务边界划清了，AI 不会在表里掺进自己的概括。第二，每个值都要能追溯，要求写明出处段落，是事后核对的抓手。第三，输出格式先定死，要 Markdown 表格还是 CSV 文件，第一次就要说清，改格式的成本比重新提取还高。
分类任务的提示词要再加一句：只能从我给的分类清单里选，遇到清单之外的写法，先归入待分类，不要自创标签。
校验怎么做：抽查四种错，每种都有对应的查法
提取结果不能直接用，至少要过一遍校验。不同错误要用不同查法，对照下表做。
| 查法 | 具体做法 | 能拦住的错 |
|---|---|---|
| 逐行抽查 | 随机抽取五到十行，逐个值回原文核对 | 抄错数字、抄错人名、张冠李戴 |
| 计数核对 | 数原文里出现了几份文档，表里是不是同样多行 | 漏提一份，或同一份被提了两次 |
| 格式核对 | 检查日期、金额、分类是否都按约定格式写 | 格式不一导致后续无法排序与筛选 |
| 出处核对 | 按 AI 给的出处段落逐条验证 | 原文没有、靠猜测补上的值 |
抽查比例按重要程度调：金额与日期这类关键字段全查，描述类字段抽查就够了。发现错误先看是字段定义不清，还是原文写法本身含糊，定义不清就改字段表，原文含糊就把那一行标出来人工处理。
量太大一次喂不下：先分批，再合并
文本量超过工具一次能处理的范围时，按逻辑单元分批，不要按固定字数硬切。一份合同、一份简历、一次会议记录，各自成一批，批与批之间不要拆散同一份文档。
合并时要定一个去重键，也就是判断两行是不是同一条记录的依据，如简历用姓名加电话，工单用工单号。没有现成编号的，先按去重键排序，人工看一遍相邻的疑似重复行再决定。
分批还有一个好处：第一批先做十份左右，校验通过了再跑剩下的，字段表有问题能早发现。
隐私：先脱敏，再上传
提取任务常常涉及别人的信息，上传之前先处理一遍。身份证号、银行卡号、密码、未公开的客户名单与合同金额，不要直接上传原文件。需要 AI 帮忙看结构，就用脱敏后的版本：人名换成代号，公司换成简称，金额按比例缩放。
更系统的隐私做法，可以对照本站另一篇使用 AI 工具时保护隐私与安全：一份清单。
收尾：开工前按这张清单过一遍
- 任务先定性，确认是抽字段、成表、分类还是去重，一次只提一种。
- 字段表先写好，字段名写死，格式给例子，找不到写未提及。
- 工具按任务挑，大批量走文件上传，小任务再粘贴。
- 提示词四件套齐全，字段、格式、空值写法、核对要求一样不能少。
- 结果先校验再用，关键字段全查，其他字段抽查，错了先修字段表。
本文标为未核实的点：Claude 的免费上传次数与单文件上限；ChatGPT 与 Gemini Notebook 在付费计划下的额度；各家工具支持的文件格式清单。以上均未逐项核实，以各家官网当时的说明为准。