先用确定性解析，再处理疑难项

以下示例与示意结果由本站编写，用于说明方法，不是模型实测结果。

使用场景

把格式稳定的试题文本转成结构化数据。教学输入Q1含题干、A/B/C选项及答案B；Q2含相同字段但没有答案。要保留可确定的提取结果，不能让模型凭常识替原文补答案。

具体做法

定义题号、题干、选项和答案的解析语法及校验规则；先用确定性解析器提取，保留原文与定位。将缺字段、格式异常及无法归属的文本列为疑难项，避免解析器静默丢掉整条题目。仅把相关原文和问题原因交给模型审查；区分提取与作答。模型结果仍过相同结构校验和原文核对，无证据的答案保持缺失。

反例

将Q1与缺答案的Q2全部交给模型，返回每题完整JSON，必须填上答案；接受它补出的内容。

改进写法

先按已知语法解析Q1、Q2并保留原文。Q1答案B可直接提取；Q2以missing_answer升级审查，模型只判断原文是否漏提，不替试题作答。修复后重新校验；原文无答案则保留缺失并报告需补充来源。

为什么这样改

稳定结构适合重复执行的解析器，模型只处理有限歧义。相同的验收门禁防止模型通道成为放宽规则的捷径；保留原文也能识别解析器未识别的题目。

如何验证

教学输出：Q1被接受且answer=B，Q2进入疑难队列并保持answer缺失。加入题号分隔异常的Q3，应报告未解析片段而不是消失。核对输入题数、接受数与待处理数，检查每个接受字段在原文中的依据。

适用边界

启发式分数不是校准后的正确概率。格式变化时需更新解析器；自由散文未必适合固定语法。模型和模式校验都可能接受错误含义，仍需原文或人工核对。冻结来源中的成功率与模型成本不可推作本任务表现。