企业官网建设流程全解析

1. 项目概述：打造一个能与PDF“对话”的智能助手

最近在折腾一个挺有意思的项目，叫Huxley PDF。简单来说，它就是一个能让你和你的PDF文档“聊天”的Web应用。你上传一份PDF，比如一份几十页的技术报告、一份合同或者一篇学术论文，然后就可以像问一个专家一样，直接向它提问，它会基于PDF里的内容给你精准的答案。这玩意儿本质上是一个基于大语言模型（LLM）的检索增强生成（RAG）应用，核心是把非结构化的PDF文本，通过向量化技术，变成一个可以被“检索”的知识库。

我之所以花时间研究并复现这个项目，是因为在日常工作和学习中，处理PDF文档实在太频繁了。传统的Ctrl+F搜索只能匹配关键词，对于“请总结一下第三章的核心观点”或者“对比一下方案A和方案B的优缺点”这类需要理解和推理的问题，完全无能为力。而Huxley PDF这类工具，正好填补了这个空白。它背后的技术栈非常典型，集成了Streamlit做快速Web开发，LangChain作为LLM应用框架，OpenAI的API提供核心的文本理解和生成能力，再配合向量数据库（如FAISS）实现高效的语义搜索。对于想入门AI应用开发的开发者来说，这是一个绝佳的练手项目，能让你一站式理解从文档处理、向量化到问答生成的完整链路。

2. 核心架构与工作原理解析

2.1 技术栈选型背后的逻辑

Huxley PDF选择的技术组合，在当前的AI应用开发中几乎是“黄金搭档”。我们来拆解一下每个组件的角色和选型理由：

1. Streamlit：作为前端框架。它的最大优势是“快”。对于数据科学和机器学习项目，开发者通常不想在前端（HTML/CSS/JavaScript）上耗费太多精力。Streamlit允许你完全用Python脚本构建交互式Web应用，任何.py文件的修改都能实时热更新到界面，极大地提升了原型开发速度。对于Huxley PDF这样一个工具类、交互逻辑相对固定的应用，Streamlit是最高效的选择。

2. LangChain：作为应用编排框架。LLM本身是“原子化”的，要构建一个可用的应用，你需要串联起提示词模板、文档加载、文本分割、向量存储、检索链等多个环节。LangChain提供了一套高级的抽象（如Chain、Agent、Retriever），将这些环节标准化、模块化。使用LangChain，你可以用很少的代码就搭建起一个RAG流水线，而无需从零开始处理每一步的底层API调用和数据流转。它降低了开发门槛，让开发者能更专注于业务逻辑。

3. OpenAI API：提供核心的Embedding（文本转向量）和Completion（文本生成）能力。这里其实包含两个关键模型：

   • Embedding模型（如text-embedding-ada-002）：负责将一段文本（比如一个句子或一个段落）转换成一个高维度的数值向量（例如1536维）。这个向量的神奇之处在于，语义相似的文本，其向量在空间中的距离（通常用余弦相似度衡量）也更近。这是实现语义搜索的基石。
   • 大语言模型（如gpt-3.5-turbo或gpt-4）：负责理解用户问题，并结合检索到的上下文信息，生成通顺、准确的答案。它扮演了“信息整合与表达者”的角色。

4. 向量数据库：项目提到了FAISS和Pinecone。FAISS是Meta开源的库，用于高效进行向量相似性搜索和聚类，尤其适合单机、中小规模数据集的快速检索。Pinecone则是全托管的云端向量数据库，擅长处理海量向量数据，并提供自动缩放、持久化存储等能力。在Huxley PDF的初始版本中，使用FAISS是合理的，因为它轻量、无需额外服务，适合本地快速验证。如果未来需要处理成千上万的PDF或支持多用户，迁移到Pinecone这类服务是更优解。

注意：技术选型不是一成不变的。例如，如果你希望完全本地部署，可以考虑用SentenceTransformers库的模型（如all-MiniLM-L6-v2）替代OpenAI Embedding，用开源LLM（如Llama 2、ChatGLM）通过llama.cpp或Ollama替代OpenAI API。但这会显著增加本地计算资源消耗和部署复杂度。

2.2 RAG流程：从PDF到答案的完整旅程

理解Huxley PDF如何工作，关键在于弄懂RAG（Retrieval-Augmented Generation，检索增强生成）的流程。整个过程可以清晰地分为“索引构建”和“问答执行”两个阶段。

阶段一：索引构建（文档处理与向量化）这是“喂食”阶段，发生在你上传PDF之后。目标是构建一个可供快速检索的向量索引。

1. 文档加载：使用PyMuPDF（fitz）或Unstructured库读取PDF文件，提取出纯文本。这一步需要处理PDF复杂的排版、分栏、图片、表格等，提取质量直接影响后续效果。
2. 文本分割：一篇PDF可能长达数百页，直接扔给LLM会超出其上下文长度限制（Token限制），且包含大量无关信息。因此，需要用CharacterTextSplitter或更智能的RecursiveCharacterTextSplitter将文本切割成大小适中的“块”（chunks）。这里有两个关键参数：
   • chunk_size：每个块的大小（如400字符）。太小会丢失上下文，太大会降低检索精度并增加LLM处理负担。通常设置在500-1000字符之间进行试验。
   • chunk_overlap：块与块之间的重叠字符数（如80字符）。设置重叠是为了避免一个完整的句子或概念被生硬地切分到两个块中，保持语义的连贯性。
3. 向量化：使用OpenAI的Embedding模型，将每一个文本块转换为一个对应的向量。
4. 存储索引：将（文本块，对应向量）这对数据，存储到向量数据库（如FAISS）中，建立索引。之后，我们就可以通过计算向量相似度来快速找到相关的文本块。

阶段二：问答执行（检索与生成）这是“问答”阶段，发生在你提出问题时。

1. 问题向量化：将用户输入的问题（例如“这份合同中的违约责任条款是什么？”），使用同样的Embedding模型转换为一个向量。
2. 语义检索：在FAISS索引中，计算问题向量与所有文本块向量的相似度（如余弦相似度），找出最相似的K个文本块（例如前4个）。这步实现了基于“意思”而不仅仅是“关键词”的搜索。
3. 上下文组装：将检索到的K个相关文本块，与用户的问题一起，按照特定的格式组装成一个“增强的提示词”（Prompt），提交给LLM。一个典型的Prompt模板可能是：“请基于以下上下文回答问题。如果上下文不包含答案，请说‘根据提供的信息无法回答’。上下文：{检索到的文本块} 问题：{用户问题} 答案：”
4. 答案生成：LLM接收到这个包含了相关上下文的Prompt后，会综合理解，生成一个准确、基于文档的答案，并返回给用户。

通过这两个阶段的配合，RAG既利用了LLM强大的语言理解和生成能力，又通过检索机制为其“注入”了准确、实时的外部知识（你的PDF内容），有效避免了LLM的“幻觉”问题，让答案有据可依。

3. 从零开始：环境搭建与核心代码实现

3.1 项目环境与依赖安装

首先，我们需要一个干净的Python环境。强烈建议使用conda或venv创建虚拟环境，避免包冲突。

# 创建并激活虚拟环境 (以conda为例) conda create -n huxley-pdf python=3.9 conda activate huxley-pdf

接下来，安装核心依赖。requirements.txt文件应该包含以下内容：

streamlit>=1.28.0 langchain>=0.0.350 openai>=1.3.0 pymupdf>=1.23.0 # 用于PDF文本提取 faiss-cpu>=1.7.4 # 向量数据库，CPU版本 tiktoken>=0.5.0 # 用于计算Token，控制上下文长度 python-dotenv>=1.0.0 # 管理环境变量（如API密钥）

使用pip一键安装：

pip install -r requirements.txt

实操心得：faiss-cpu在Windows上安装有时会遇到编译问题。如果安装失败，可以尝试从 这里 使用conda安装：conda install -c conda-forge faiss-cpu。对于生产环境或大数据集，可以考虑faiss-gpu版本以利用GPU加速。

3.2 核心代码模块拆解与实现

原项目的Huxley.py给出了主干逻辑。我们在此基础上，补充细节和优化，实现一个更健壮、功能更完整的版本。我们将创建一个名为app.py的Streamlit主文件。

1. 导入依赖与初始化设置

import streamlit as st from langchain.document_loaders import PyPDFLoader from langchain.text_splitter import RecursiveCharacterTextSplitter from langchain.embeddings import OpenAIEmbeddings from langchain.vectorstores import FAISS from langchain.chains import RetrievalQA from langchain.chat_models import ChatOpenAI from langchain.callbacks import StreamlitCallbackHandler import os from dotenv import load_dotenv import tempfile # 加载环境变量，将API KEY保存在.env文件中更安全 load_dotenv() # 设置页面配置 st.set_page_config( page_title="Huxley PDF - 智能文档助手", page_icon="📄", layout="wide" )

2. 侧边栏：配置与说明侧边栏是放置API密钥输入和应用说明的理想位置。

def render_sidebar(): with st.sidebar: st.title("⚙️ 设置与说明") # API密钥输入（优先使用环境变量，提供输入框备用） api_key = st.text_input( "OpenAI API Key", type="password", value=os.getenv("OPENAI_API_KEY", ""), help="请输入你的OpenAI API密钥。你也可以在项目根目录创建`.env`文件并写入`OPENAI_API_KEY=你的密钥`。" ) if api_key: os.environ["OPENAI_API_KEY"] = api_key else: st.warning("请输入API密钥以继续。") st.markdown("---") st.markdown("### 📖 如何使用？") st.markdown(""" 1. **上传PDF**：在主页面上传你的PDF文档。 2. **等待处理**：系统将自动解析文档并构建知识索引（首次上传需要一些时间）。 3. **开始提问**：在下方输入框提出任何关于该PDF的问题。 4. **获取答案**：AI将基于文档内容给出精准回答。 """) st.markdown("### ⚠️ 注意事项") st.markdown(""" - 确保PDF是**可复制文本**的（非扫描版图片）。 - 处理大型PDF（>100页）可能需要较长时间和更多Token消耗。 - 答案质量取决于文档清晰度和问题相关性。 - 所有处理均在本地进行，文档内容不会发送给除OpenAI外的第三方。 """) return api_key

3. 主函数：应用逻辑核心这是整个应用的大脑，我们将分步骤实现。

def main(): st.title("📄 Huxley PDF - 与你的文档对话") st.caption("上传你的PDF，然后像咨询专家一样向它提问。") # 渲染侧边栏并获取API密钥状态 api_key = render_sidebar() # 检查API密钥 if not api_key: st.info("请在左侧侧边栏输入OpenAI API密钥以启动应用。") st.stop() # 文件上传器 uploaded_file = st.file_uploader("选择或拖拽一个PDF文件", type="pdf") # 初始化session_state，用于在Streamlit重运行间保持状态 if "vector_store" not in st.session_state: st.session_state.vector_store = None if "processed_file_name" not in st.session_state: st.session_state.processed_file_name = None # 文件处理流程 if uploaded_file is not None: # 检查是否是新文件，避免重复处理 if st.session_state.processed_file_name != uploaded_file.name: with st.spinner(f"正在处理 '{uploaded_file.name}'，请稍候..."): try: # 步骤1: 保存上传的临时文件并加载 with tempfile.NamedTemporaryFile(delete=False, suffix='.pdf') as tmp_file: tmp_file.write(uploaded_file.getvalue()) tmp_file_path = tmp_file.name loader = PyPDFLoader(tmp_file_path) documents = loader.load() # 步骤2: 文本分割（使用更智能的分割器） text_splitter = RecursiveCharacterTextSplitter( chunk_size=1000, # 每个块1000字符 chunk_overlap=200, # 块间重叠200字符 length_function=len, separators=["\n\n", "\n", "。", "！", "？", "；", "，", " ", ""] ) chunks = text_splitter.split_documents(documents) st.success(f"文档分割完成，共得到 {len(chunks)} 个文本块。") # 步骤3: 创建向量存储 embeddings = OpenAIEmbeddings(openai_api_key=api_key) # 使用FAISS从文档块创建向量存储 vector_store = FAISS.from_documents(chunks, embeddings) # 保存到session_state st.session_state.vector_store = vector_store st.session_state.processed_file_name = uploaded_file.name # 清理临时文件 os.unlink(tmp_file_path) st.success("✅ 文档索引构建完成！现在你可以开始提问了。") except Exception as e: st.error(f"处理PDF时发生错误: {e}") else: st.info(f"文档 '{uploaded_file.name}' 已就绪，可直接提问。") # 问答交互界面 st.divider() st.subheader("💬 向文档提问") # 初始化聊天历史 if "messages" not in st.session_state: st.session_state.messages = [] # 显示历史消息 for message in st.session_state.messages: with st.chat_message(message["role"]): st.markdown(message["content"]) # 问题输入 if prompt := st.chat_input("输入你的问题，例如：'总结一下本文的主要观点。'"): # 添加用户问题到历史 st.session_state.messages.append({"role": "user", "content": prompt}) with st.chat_message("user"): st.markdown(prompt) # 检查向量存储是否就绪 if st.session_state.vector_store is None: st.error("文档索引未就绪，请先上传并处理PDF文件。") st.stop() # 生成答案 with st.chat_message("assistant"): with st.spinner("正在思考..."): try: # 创建检索器 retriever = st.session_state.vector_store.as_retriever( search_kwargs={"k": 4} # 检索最相关的4个文本块 ) # 创建LLM实例 llm = ChatOpenAI( model_name="gpt-3.5-turbo", temperature=0.1, # 低温度值使输出更确定、更基于事实 openai_api_key=api_key, streaming=True, # 启用流式输出 ) # 创建检索问答链 qa_chain = RetrievalQA.from_chain_type( llm=llm, chain_type="stuff", # “stuff”类型将检索到的所有文档塞入上下文 retriever=retriever, return_source_documents=True, # 返回源文档用于引用 ) # 创建Streamlit回调以显示流式输出 st_callback = StreamlitCallbackHandler(st.container()) # 执行查询 result = qa_chain({"query": prompt}, callbacks=[st_callback]) answer = result["result"] source_docs = result["source_documents"] # 流式输出答案 response_placeholder = st.empty() full_response = "" # 模拟流式输出（实际由callback处理，这里为展示） for chunk in answer.split(): full_response += chunk + " " response_placeholder.markdown(full_response + "▌") response_placeholder.markdown(full_response) # 显示引用来源（增强可信度） with st.expander("📚 查看答案来源"): for i, doc in enumerate(source_docs[:3]): # 显示前3个来源 st.caption(f"来源片段 {i+1}:") st.text(doc.page_content[:300] + "...") # 显示片段前300字符 st.markdown(f"*元数据: 页码 {doc.metadata.get('page', 'N/A')}*") st.divider() # 添加助手回答到历史 st.session_state.messages.append({"role": "assistant", "content": answer}) except Exception as e: st.error(f"生成答案时出错: {e}") else: # 未上传文件时的引导界面 st.markdown(""" ### 欢迎使用 Huxley PDF 这是一个基于AI的智能文档问答工具。上传你的PDF文档后，你可以： - **快速总结**：让AI为你提炼长篇文档的核心要点。 - **精准问答**：针对文档细节提出具体问题，获取基于原文的答案。 - **信息对比**：询问文档中不同观点的异同。 - **内容解释**：让AI用更通俗的语言解释复杂概念。 **⬆️ 请使用上方文件上传按钮开始。** """) st.image("https://via.placeholder.com/600x300/4A90E2/FFFFFF?text=Upload+a+PDF+to+Start", use_column_width=True) if __name__ == "__main__": main()

这段代码构建了一个功能完整的Streamlit应用。它包含了文件上传、文档处理、向量索引构建、交互式问答会话，以及答案溯源显示。相比原始代码，我们增加了错误处理、状态管理、流式输出和源文档引用，用户体验更佳。

4. 高级功能扩展与性能优化

基础版本跑通后，我们可以从实用性和性能角度进行一系列增强。

4.1 支持多种文档格式

现实中的资料不只有PDF。我们可以利用LangChain丰富的DocumentLoader来扩展支持范围。

from langchain.document_loaders import ( PyPDFLoader, UnstructuredWordDocumentLoader, UnstructuredPowerPointLoader, TextLoader, CSVLoader, UnstructuredHTMLLoader, ) import pandas as pd def get_document_loader(file_path, file_type): """根据文件类型返回对应的文档加载器""" loaders = { '.pdf': PyPDFLoader, '.docx': lambda path: UnstructuredWordDocumentLoader(path, mode="elements"), '.pptx': UnstructuredPowerPointLoader, '.txt': TextLoader, '.csv': lambda path: CSVLoader(path, encoding='utf-8'), '.html': UnstructuredHTMLLoader, } for ext, loader_class in loaders.items(): if file_path.lower().endswith(ext): return loader_class(file_path) raise ValueError(f"不支持的文件格式: {file_type}。支持格式: {', '.join(loaders.keys())}") # 在主函数中替换原有的PyPDFLoader调用 file_ext = os.path.splitext(uploaded_file.name)[1].lower() loader = get_document_loader(tmp_file_path, file_ext) documents = loader.load()

4.2 优化文本分割策略

默认的字符分割可能切断完整的句子或段落。我们可以采用更精细的分割策略。

from langchain.text_splitter import ( RecursiveCharacterTextSplitter, SentenceTransformersTokenTextSplitter, ) # 方案A：基于标记（Token）的分割（更贴合LLM上下文窗口） token_text_splitter = SentenceTransformersTokenTextSplitter( chunk_size=500, # 目标块大小（Token数） chunk_overlap=50, # 重叠Token数 model_name="all-MiniLM-L6-v2", # 用于计算Token的模型 ) # chunks = token_text_splitter.split_documents(documents) # 方案B：针对中文优化的递归字符分割 chinese_text_splitter = RecursiveCharacterTextSplitter( chunk_size=800, chunk_overlap=150, separators=["\n\n", "\n", "。", "！", "？", "；", "，", " ", ""], # 中文标点优先 length_function=len, ) chunks = chinese_text_splitter.split_documents(documents)

4.3 集成对话历史与多轮问答

让AI记住之前的对话上下文，能实现更连贯的多轮问答。

from langchain.memory import ConversationBufferMemory from langchain.chains import ConversationalRetrievalChain # 在session_state中初始化记忆 if "memory" not in st.session_state: st.session_state.memory = ConversationBufferMemory( memory_key="chat_history", return_messages=True, output_key='answer' ) # 创建带记忆的对话检索链 qa_chain = ConversationalRetrievalChain.from_llm( llm=llm, retriever=retriever, memory=st.session_state.memory, chain_type="stuff", return_source_documents=True, verbose=False, # 设置为True可查看链的详细执行过程，用于调试 ) # 提问时，记忆会自动被使用和更新 result = qa_chain({"question": prompt}) answer = result["answer"]

4.4 成本控制与Token管理

使用OpenAI API会产生费用，管理Token使用和成本很重要。

from langchain.callbacks import get_openai_callback import tiktoken def count_tokens(text, model="gpt-3.5-turbo"): """粗略计算文本的Token数量""" encoding = tiktoken.encoding_for_model(model) return len(encoding.encode(text)) # 在问答环节使用回调跟踪消耗 with get_openai_callback() as cb: result = qa_chain({"query": prompt}) answer = result["result"] # 显示本次调用的消耗 st.sidebar.metric("本次消耗Token", cb.total_tokens) st.sidebar.metric("预估成本（USD）", f"${cb.total_cost:.4f}") # 累计消耗（存储在session_state中） if "total_cost" not in st.session_state: st.session_state.total_cost = 0.0 st.session_state.total_cost += cb.total_cost st.sidebar.metric("累计成本（USD）", f"${st.session_state.total_cost:.4f}")

5. 部署上线与生产环境考量

本地运行没问题后，你可能希望将它部署成一个小型服务，供团队内部使用。

5.1 使用Docker容器化

创建Dockerfile，确保环境一致性。

# 使用官方Python镜像 FROM python:3.9-slim # 设置工作目录 WORKDIR /app # 复制依赖文件并安装 COPY requirements.txt . RUN pip install --no-cache-dir -r requirements.txt # 复制应用代码 COPY . . # 暴露Streamlit默认端口 EXPOSE 8501 # 健康检查 HEALTHCHECK CMD curl --fail http://localhost:8501/_stcore/health || exit 1 # 启动命令 ENTRYPOINT ["streamlit", "run", "app.py", "--server.port=8501", "--server.address=0.0.0.0"]

构建并运行：

docker build -t huxley-pdf . docker run -p 8501:8501 -e OPENAI_API_KEY=你的密钥 huxley-pdf

5.2 使用云服务一键部署

对于更简单的部署，可以考虑云平台：

1. Streamlit Community Cloud：最直接的选择。将代码推送到GitHub，在 share.streamlit.io 关联仓库即可部署。注意在Secrets中设置OPENAI_API_KEY环境变量。
2. Hugging Face Spaces：同样支持Streamlit，提供免费的CPU资源。在Space创建时选择Streamlit SDK，上传代码即可。
3. Railway / Render：这些平台对Python应用友好，提供简单的Git部署和自动HTTPS证书。

部署注意事项：

• API密钥安全：绝对不要将API密钥硬编码在代码中或提交到Git。使用平台提供的Secrets/Environment Variables功能。
• 文件存储：Streamlit Cloud等无状态环境，上传的文件在应用重启后会丢失。如果需要持久化存储向量索引，需要集成外部存储（如AWS S3、Google Cloud Storage），并在每次启动时检查并加载已有索引。
• 性能与超时：处理大型PDF时，构建向量索引可能超过云服务的默认超时时间（如Streamlit Cloud有脚本运行时间限制）。考虑将“索引构建”这一步异步化，或提示用户处理需要时间。

5.3 生产环境优化建议

1. 向量数据库升级：将FAISS替换为Pinecone或Weaviate。它们提供持久化存储、更好的可扩展性和多用户支持。代码改动很小，主要是初始化客户端的部分。

   # 示例：使用Pinecone from langchain.vectorstores import Pinecone import pinecone pinecone.init(api_key="YOUR_PINECONE_API_KEY", environment="YOUR_ENV") index_name = "huxley-pdf-index" # 创建索引 vector_store = Pinecone.from_documents(chunks, embeddings, index_name=index_name) # 加载已有索引 vector_store = Pinecone.from_existing_index(index_name, embeddings)

2. 缓存机制：为相同的文档和问题添加缓存，避免重复计算，节省成本和时间。可以使用langchain.cache配合SQLiteCache或RedisCache。

   from langchain.cache import SQLiteCache import langchain langchain.llm_cache = SQLiteCache(database_path=".langchain.db")

3. 异步处理：对于耗时的文档解析和索引构建，可以使用asyncio或任务队列（如Celery）在后台处理，避免阻塞Web请求。

6. 常见问题排查与实战技巧

在实际开发和使用的过程中，你肯定会遇到各种问题。这里我总结了一份“避坑指南”。

6.1 问题排查速查表

6.2 提升问答质量的实战技巧

1. 预处理是关键：垃圾进，垃圾出。上传前，尽量使用Adobe Acrobat或在线工具优化PDF，确保文本可选中。对于扫描件，pytesseract+pdf2image是可行的本地OCR方案，但准确率是挑战。

2. 分块策略的艺术：没有放之四海而皆准的chunk_size。对于技术手册，chunk_size=800可能不错；对于小说，chunk_size=1500可能更好。重叠（overlap）非常重要，通常设置为chunk_size的10%-20%，能有效防止关键信息被割裂。

3. Prompt工程微调：LangChain默认的Prompt可能不够强。你可以自定义一个更详细的Prompt模板来提升效果：

   from langchain.prompts import PromptTemplate custom_prompt = PromptTemplate( input_variables=["context", "question"], template="""你是一个严谨的文档分析助手。请严格根据以下提供的上下文内容来回答问题。如果上下文中的信息不足以回答问题，请直接说“根据文档无法回答此问题”，不要编造信息。 上下文： {context} 问题：{question} 基于上下文的答案：""" ) # 在创建QA链时指定prompt qa_chain = RetrievalQA.from_chain_type( llm=llm, chain_type="stuff", retriever=retriever, chain_type_kwargs={"prompt": custom_prompt}, # 传入自定义prompt return_source_documents=True, )

4. 混合搜索策略：单纯基于向量的语义搜索有时会漏掉精确的关键词匹配。可以结合传统的关键词搜索（如BM25）和向量搜索，进行加权融合，这就是“混合搜索”，能兼顾语义相关性和字面匹配度。Weaviate等向量数据库原生支持此功能。

5. 让答案“有据可查”：在界面中展示答案引用的源文本片段和页码，能极大增加用户信任度。这需要你在分割文档时保留元数据（如页码），并在检索时返回。

这个项目从技术上看，是当前AI应用开发模式的一个经典缩影。它验证了一个想法：利用现有的强大基础模型（LLM），结合领域特定的数据（你的PDF），通过精巧的工程化管道（RAG），就能快速构建出解决实际问题的智能工具。整个过程里，最耗时的往往不是写代码，而是调试分块策略、优化Prompt、解决各种依赖和环境问题。但当你看到它能从一份复杂的文档中准确找出你要的条款时，那种成就感是非常实在的。