完整题目
在数据预处理与信息提取任务中，如何权衡使用基于规则的方法与基于大语言模型（LLM）的自动化处理？各自的适用场景、优缺点及成本考量是什么？
规则、LLM 与混合链路的选择标准
规则适合输入结构稳定、边界可枚举、容错要求低且需要可解释审计的任务，例如固定字段校验、身份证号格式、单位换算和白名单映射。它的执行成本通常较低、行为可追踪，但绝不是零成本或零延迟：规则要开发、测试、发布、监控并随业务变化维护，覆盖之外也不会自动泛化。
LLM 适合语言表达多样、语义边界难以完整枚举、需要归纳或抽取的任务。优势是用自然语言和少量示例即可快速覆盖长尾；代价包括输入输出 token、模型延迟、概率性错误、版本变化以及隐私合规。Few-shot 是把示例放进输入上下文，因此会增加输入 token；它可能提升表现、减少重试或缩短开发迭代，但不能宣称直接减少 token。结构化输出能约束格式，不代表字段语义必然正确。
工程上通常采用分层方案：确定性校验和高风险决策交给规则，模糊语义抽取交给 LLM，输出再经过 schema、词典、范围与跨字段校验，低置信或冲突样本进入人工复核。选型应在同一金标集上比较准确率、覆盖率、单位成本、端到端延迟、失败严重度和维护工时，并通过流量分布计算总拥有成本，而不是只比较一次 API 价格。
继续追问 · 3 个问题
- 如果业务要求99%准确率且成本敏感，你会怎么设计？
- 能否举一个你实际项目中从规则迁移到LLM或反向迁移的案例？
- 如何评估和监控两种方案在生产环境的实际效果？
换一种问法，检查是否真正理解
场景切入
假设现在从半结构化文档中抽取既有固定格式字段，也有依赖上下文的长尾语义。你会怎样组合规则、LLM 和人工审核？
层层追问
固定模式为什么适合规则？……语义变化大时 LLM 的优势和风险是什么？……JSON 合规是否代表内容正确？……高风险字段怎样校验、审计和回退？
直球技术
请比较规则与 LLM 信息抽取的适用场景、准确性、维护成本、延迟、可审计性和错误边界，并设计混合架构与评测。
练习口述回答 · 30秒速答 + 90秒主答 + 完整展开
- 用任务边界与错误成本决定方案
- 说明规则的稳定性与维护成本
- 说明 LLM 的泛化能力与概率风险
- 解释 Few-shot 的真实 token 成本
- 以混合链路和金标评测收尾
【30秒速答】 规则和 LLM 不是互相替代。输入稳定、边界可枚举、结果要审计时优先规则；语言多样、长尾多、语义边界难写全时再让 LLM 做抽取或分类。规则执行通常便宜，但仍有开发、测试、维护和运行开销，也不可能天然百分之百正确。Few-shot 把示例放入提示，会增加输入 token，只可能通过提升一次成功率减少重试或迭代。生产链路常让 LLM 处理模糊部分，再用 schema、业务规则和人工复核守住高风险边界。