企业官网建设流程全解析

1. 三个月随访记录堆成山，我决定用 WorkBuddy 做一次彻底的结构化改造

做健康管理、慢病随访或者科研队列的人都有一个共同的痛：随访记录越攒越多，三个月下来，几十上百份记录散落在各种文档、表格、聊天记录里，格式五花八门，有的用自然语言写了一大段，有的只记了几个关键指标，还有的干脆就是语音转文字后的一坨文本。等到要出随访报告、要筛异常清单的时候，整个人是崩溃的——你得一份一份翻，一条一条抠，眼睛看花了还容易漏。

我这次接手的场景就是这样：一个为期三个月的随访项目，积累了大量的非结构化随访记录，需要把它们变成两份东西——一份是结构化随访报告，一份是异常清单。所谓结构化，就是把散落在自然语言里的关键字段（随访时间、随访方式、关键指标数值、用药情况、主诉、异常标记等）抽取出来，变成规整的、可统计、可筛选的表格数据。异常清单则是从这些结构化数据里，把超出正常范围的记录单独拎出来，方便快速跟进。

关键词里提到的 WorkBuddy、云端助理、结构化、随访报告、异常清单，正好对应了我这次要解决的核心问题。WorkBuddy 在这里扮演的是一个"云端助理"的角色，它能帮我处理文档结构化解析、数据建模、批量抽取这些重复性极高的活儿。说白了，我不想手动去抠几百条记录，我要让工具替我把脏活累活干掉，我只负责定规则、做校验、出结果。

这篇文章适合谁看？如果你手头有大量非结构化的文本记录（随访、问卷、访谈、工单、日志都算），需要把它们变成结构化数据并产出报告，那这篇就是写给你的。我会把整个流程拆开讲：怎么设计字段、怎么让 WorkBuddy 理解你的记录、怎么处理它抽错的字段、怎么生成异常清单、以及我在实操中踩过的那些坑。全程说人话，给步骤，给理由，给避坑经验。

2. 先想清楚要抽什么字段，再谈工具怎么用

2.1 结构化不是"把文字变表格"这么简单

很多人一上来就想着"我要把记录变成表格"，然后直接丢给工具去处理，结果抽出来的字段乱七八糟，该有的没有，不该有的全塞进来了。问题出在哪？出在你没有先定义清楚数据模型。

结构化数据建模的核心，是先回答一个问题：这份随访报告最终要回答哪些问题？比如：

• 每个随访对象在三个月内随访了几次？时间间隔是否合规？
• 每次随访的关键指标（血压、血糖、体重、心率等）是多少？趋势如何？
• 有没有出现异常值？异常出现在哪个时间点、哪个人身上？
• 用药有没有调整？调整的原因是什么？

这些问题的答案，决定了你需要抽取哪些字段。字段不是越多越好，而是够用且可校验。我一般会把字段分成三类：

标识字段和指标字段是结构化的重点，因为它们要参与统计和异常判断。描述字段可以保留原文，但最好也做一定程度的规范化，比如把"有点头晕"和"头晕"归到同一类主诉。

2.2 字段定义要写成"机器能懂"的规则

定义完字段，下一步是把每个字段的抽取规则写清楚。这一步是很多人忽略的，但恰恰是决定成败的关键。你不能只写"抽取血压"，你得写清楚：

• 血压可能写成"血压 130/85"、"BP 130/85"、"收缩压130，舒张压85"、"130/85mmHg"等多种形式；
• 单位可能省略，也可能写成 mmHg、mmhg、毫米汞柱；
• 数值可能是整数，也可能带小数；
• 有些记录会把血压写在句子里，比如"今天测血压有点高，130/85"。

这些规则，你要么写成明确的抽取模板，要么在给 WorkBuddy 的指令里说清楚。我的做法是，先手工整理一份"字段抽取规则表"，把每个字段的常见写法、单位、取值范围、异常阈值都列出来。这份表既是给工具看的，也是给我自己校验用的。

提示：字段定义阶段多花一小时，后面校验阶段能省十小时。别急着让工具跑，先把规则想透。

2.3 异常阈值要提前定，不要等报告出来再拍脑袋

异常清单的价值，取决于异常判断标准是否合理。这个标准必须在抽取之前就定好，否则你抽完数据再回头定阈值，会发现很多记录缺了判断所需的上下文。

异常阈值一般来自三个地方：临床指南、项目方案、以及历史数据的分布。比如血压，一般以 140/90 mmHg 作为警戒线，但具体项目可能有自己的标准。血糖、体重、心率同理。我建议把阈值做成一张配置表，每个指标一行，包含正常下限、正常上限、警戒值、以及"需要人工复核"的灰色区间。

这样做的好处是，异常判断逻辑和抽取逻辑解耦。以后阈值要调整，只改配置表，不用重新设计整个流程。

3. 让 WorkBuddy 读懂随访记录：文档结构化解析的实操细节

3.1 原始记录的三种典型形态和对应处理策略

我拿到的三个月随访记录，大致分三种形态：

第一种是规整的表格记录，比如 Excel 里每行一次随访，列名基本统一。这种最好处理，直接读取列名映射到我的字段模型即可，WorkBuddy 在这里主要做字段名对齐和缺失值处理。

第二种是半结构化的文本记录，比如每份记录是一个 Word 文档，里面有标题、有小节、有段落，关键信息散落在句子里。这种需要做文档结构化解析，把段落切分、识别关键句、抽取字段。

第三种是完全非结构化的自由文本，比如聊天记录导出、语音转文字、手写笔记拍照后的 OCR 结果。这种最难，因为格式完全不统一，甚至同一份记录里前后表述方式都不一样。

针对这三种形态，我的处理策略是：先统一转成纯文本，再做分段和字段抽取。表格记录转文本时保留行列关系，文本记录按段落切分，自由文本按句子切分。切分粒度很重要——太粗了字段会串，太细了上下文会丢。我的经验是，以"一次随访"为一个处理单元，每个单元内部再按句子切分。

3.2 给 WorkBuddy 的指令要像给新人写交接文档

WorkBuddy 作为云端助理，它的表现很大程度上取决于你怎么"交代任务"。我试过两种方式：一种是简单说一句"帮我把这些随访记录结构化"，结果抽出来的东西惨不忍睹；另一种是写一份详细的指令，包含字段定义、抽取规则、输出格式、异常处理方式，效果天差地别。

我的指令模板大概长这样：

任务：从随访记录中抽取结构化字段。 输入：一段随访记录文本，可能包含多次随访。 输出：JSON 数组，每个元素代表一次随访，包含以下字段： - subject_id: 对象编号，字符串 - followup_date: 随访日期，格式 YYYY-MM-DD - followup_method: 随访方式，枚举值：门诊/电话/上门/其他 - systolic: 收缩压，整数，单位 mmHg，缺失填 null - diastolic: 舒张压，整数，单位 mmHg，缺失填 null - fasting_glucose: 空腹血糖，浮点数，单位 mmol/L，缺失填 null - weight: 体重，浮点数，单位 kg，缺失填 null - medication_change: 用药调整，字符串，无调整填"无" - complaint: 主诉，字符串，无填"无" - remark: 备注，字符串 抽取规则： 1. 日期优先识别"YYYY年MM月DD日"、"YYYY-MM-DD"、"MM/DD"等格式； 2. 血压识别"收缩压/舒张压"、"高压/低压"、"BP"等写法； 3. 数值缺失时不要猜测，填 null； 4. 如果一段文本包含多次随访，拆成多条记录； 5. 无法判断的字段填 null，并在 remark 中说明。

这份指令的关键在于：输出格式明确、字段类型明确、缺失处理明确、边界情况明确。你把它当成给一个刚入职的新人写交接文档，写得越清楚，返工越少。

3.3 批量处理和缓存目录的那些事

随访记录往往不是一份两份，而是几十上百份。批量处理时，WorkBuddy 的缓存目录设置会影响处理效率和结果可追溯性。我一般会把缓存目录单独指定到一个项目文件夹下，而不是用默认路径。原因有两个：一是方便清理，二是方便排查问题——如果某份记录抽错了，我能快速找到对应的中间结果。

具体操作上，我会在项目根目录下建三个文件夹：

• raw/：存放原始记录，只读不改；
• cache/：存放 WorkBuddy 处理过程中的中间结果和缓存；
• output/：存放最终的结构化数据和报告。

缓存目录的路径最好用绝对路径，避免因为工作目录变化导致找不到文件。如果你在 Linux 或 Ubuntu 环境下操作，路径写法要注意大小写和斜杠方向；在 Windows 下则要注意盘符和反斜杠转义。这些细节看起来小，但批量处理时一个路径写错，整个任务就断了。

注意：批量处理前先用 3 到 5 份记录做小样本测试，确认抽取规则没问题再全量跑。全量跑一次可能要好几分钟，返工成本很高。

4. 抽取结果校验：怎么发现 WorkBuddy 抽错了，以及怎么修

4.1 三类高频错误：漏抽、错抽、串行

工具抽取不可能百分之百准确，关键是要有一套校验机制，能快速发现错误。我在实操中遇到的高频错误有三类：

漏抽：记录里明明有血压值，但抽取结果里是 null。原因通常是表述方式不在规则覆盖范围内，比如写成"血压控制得还行，130 多"这种模糊表述，工具不敢抽。

错抽：把不是血压的数字抽成了血压，比如把"心率 85"抽成了收缩压。原因通常是字段识别逻辑不够严谨，没有结合上下文。

串行：把两次随访的字段混在一起，比如把第一次的血压和第二次的血糖拼成了一条记录。原因通常是分段逻辑有问题，处理单元切分不准确。

这三类错误里，串行最危险，因为它会污染整条数据；漏抽最容易被忽略，因为 null 看起来"很正常"；错抽最容易被发现，因为数值明显不合理。

4.2 用"抽样 + 规则校验 + 交叉比对"三层校验

我的校验流程分三层：

第一层是抽样人工校验。从抽取结果里随机抽 10% 的记录，逐字段和原文比对。这一步能发现大部分系统性问题，比如某个字段的抽取规则整体失效。

第二层是规则校验。写一段校验脚本，检查每个字段是否符合预期：数值是否在合理范围内、日期格式是否正确、枚举值是否合法、必填字段是否缺失。这一步能自动发现明显错误。

第三层是交叉比对。把结构化数据和原始记录做交叉比对，比如统计原始记录里出现"血压"字样的次数，和抽取结果里血压非 null 的记录数做对比，如果差距过大，说明漏抽严重。

# 规则校验示例：检查血压数值是否在合理范围 def validate_bp(systolic, diastolic): if systolic is None or diastolic is None: return "missing" if not (60 <= systolic <= 250): return "systolic_out_of_range" if not (30 <= diastolic <= 150): return "diastolic_out_of_range" if systolic <= diastolic: return "systolic_not_greater_than_diastolic" return "ok"

这段校验逻辑很朴素，但能拦住大部分低级错误。尤其是systolic <= diastolic这个判断，能直接抓出串行和错抽。

4.3 修数据要留痕，不要直接改

发现错误后，怎么修？我的原则是：不直接改抽取结果，而是记录修正日志。每条修正包含：原始记录 ID、字段名、原值、修正值、修正原因。这样做的好处是，修正过程可追溯，以后如果发现修正本身有问题，还能回滚。

修正日志本身也是一份有价值的数据。如果某个字段的修正特别频繁，说明抽取规则需要优化，而不是一条一条手工修。我会定期统计修正日志，找出高频错误模式，然后回头改指令模板。

5. 从结构化数据到随访报告：怎么组织才有人看

5.1 报告不是数据堆砌，而是回答问题的叙事

结构化数据出来了，接下来是生成随访报告。很多人做报告就是把表格往上一贴，完事。但这样的报告没人看，因为它没有回答任何问题。好的随访报告应该围绕几个核心问题组织：

• 整体随访完成情况如何？应随访多少次，实际随访多少次，完成率多少？
• 关键指标的整体趋势如何？是改善、稳定还是恶化？
• 异常情况集中在哪些人、哪些时间点、哪些指标上？
• 有哪些需要特别关注的对象？

这些问题，每一个都对应报告里的一个模块。模块内部再用表格和图表支撑。比如"整体随访完成情况"这个模块，可以用一张表列出每个对象的应随访次数、实际次数、完成率，再用一句话总结整体完成率。

5.2 异常清单要分级，不要一锅端

异常清单是这次项目的另一个核心产出。我的做法是把异常分成三级：

分级的好处是，跟进的人知道先处理谁。如果所有异常都堆在一起，反而不知道从哪下手。

异常清单的字段一般包括：对象编号、异常指标、异常值、异常时间、异常级别、建议动作。这份清单可以直接导出成表格，交给跟进人员使用。

5.3 报告和清单的自动化生成思路

报告和清单如果每次都手工做，那结构化的意义就少了一半。我的做法是把报告生成也做成模板化流程：结构化数据 + 报告模板 = 报告初稿，然后人工补充解读和结论。

具体来说，报告模板里预留占位符，比如{{完成率}}、{{异常数量}}、{{趋势描述}}，然后用脚本把结构化数据填充进去。趋势描述这种需要判断的内容，可以先用规则生成一个初稿，比如"收缩压平均值从 X 降到 Y，整体呈改善趋势"，再由人工确认。

异常清单的生成更直接：遍历结构化数据，对每个指标应用异常判断规则，命中的记录写入清单，并按级别排序。这一步完全可以自动化，而且应该自动化，因为人工筛异常既慢又容易漏。

6. 实操中踩过的坑和总结出的经验

6.1 坑一：原始记录质量比想象中差

我一开始以为随访记录至少格式统一，结果打开一看，有的用中文数字，有的用阿拉伯数字，有的日期写"上周三"，有的血压只写了一个数。这种情况下，任何抽取规则都会漏。我的应对是：先做一轮数据清洗，把能规范化的先规范化，比如中文数字转阿拉伯数字、相对日期转绝对日期。清洗不掉的，标记为"需人工处理"，不要硬抽。

6.2 坑二：过度依赖工具，忘了人工判断

WorkBuddy 能处理大部分重复性工作，但它不理解临床意义。比如一个人血压 145/95，工具会标为异常，但如果这个人当天刚运动完，或者有白大衣高血压，这个异常可能不需要紧急处理。所以异常清单出来后，一定要有人过一遍，结合上下文判断。工具负责"筛出来"，人负责"判轻重"。

6.3 坑三：字段定义反复改，导致返工

项目初期我没想清楚字段，边做边加，结果前面抽好的数据要重新抽。教训是：字段定义一旦确定，尽量冻结，新增字段可以，但不要轻易改已有字段的含义和格式。如果非要改，做好版本管理，旧数据保留旧版本，新数据用新版本。

6.4 经验：把重复流程脚本化，把判断流程人工化

三个月的记录处理下来，我最大的体会是：能脚本化的坚决脚本化，需要判断的坚决人工化。抽取、校验、异常筛选、报告填充，这些是重复劳动，交给工具；异常分级、趋势解读、跟进建议，这些需要专业判断，留给人。这样分工，效率最高，出错最少。

6.5 经验：留一份"数据字典"，方便交接和复现

整个流程涉及很多字段、规则、阈值、脚本，如果不整理成文档，过两周自己都忘了。我做了一份数据字典，包含每个字段的定义、来源、抽取规则、异常阈值、修正记录。这份字典既是项目文档，也是以后复现流程的依据。如果项目要交接给别人，这份字典能省大量沟通成本。

7. 关于 WorkBuddy 使用的一些零散心得

WorkBuddy 这类云端助理工具，用得好不好，很大程度上取决于你怎么"带"它。我的几个心得：

第一，指令要具体到可执行。不要说"帮我整理一下"，要说"按以下字段和格式抽取，缺失填 null，无法判断的写进备注"。指令越具体，结果越可控。

第二，小样本先跑通再全量。任何新规则，先用几份记录测试，确认没问题再批量处理。批量处理出错的代价远高于测试。

第三，缓存和输出目录要分开管理。缓存目录放中间结果，输出目录放最终结果，原始数据只读。这样出问题时容易定位，也容易清理。

第四，不要指望一次到位。结构化抽取是一个迭代过程，第一版规则覆盖 70%，第二版覆盖 85%，第三版覆盖 95%，剩下的靠人工。接受这个现实，心态会好很多。

第五，保留人工复核环节。无论工具多智能，最终报告和异常清单发出前，一定要有人过一遍。这不是不信任工具，而是对结果负责。

这套流程我用了三个月，从最开始的手忙脚乱，到后来基本能稳定产出结构化报告和异常清单，中间踩了不少坑，也攒了不少经验。如果你也在做类似的事情，希望这些内容能帮你少走点弯路。工具是死的，人是活的，把规则定清楚，把流程跑顺，剩下的就是耐心和细心的事了。