Amazon S3是AWS提供的可扩展对象存储服务，适用于任何类型和大小的文件。可以把它想象成一个无限的数字文件柜，可以从互联网任何地方访问。无论你添加多少文件，它永远不会耗尽空间。这将作为你数据的中央存储库。

以下是S3的使用方式：

• 你将原始输入数据（如PDF、图像或文本文件）存储在专用的S3桶中。

• 然后，你将AI处理的结果（摘要、解析后的文档、转换后的数据）保存回这些桶内有组织的文件夹中。

快速说明：桶是你在S3中创建用于组织文件的顶级容器，类似于你电脑上的主文件夹。

2. AWS Lambda

https://github.com/OpenDocCN/dsai-notes-pt1-zh/raw/master/docs/dlai-docai/img/4905a7ede5e314fe0b334ceb2cf2a275_13.png

AWS Lambda是一项无服务器计算服务，无需你管理任何服务器即可运行代码。可以把它想象成一个兼职的机器人助手，或一个按需函数，它并非一直运行，只在需要时才启动行动。

Lambda执行小段代码以响应特定事件，如S3上传、API调用或计划触发器。在你的案例中，当文档上传到S3时，Lambda将自动运行你的ADdeE解析逻辑。你只需为消耗的计算时间付费（以毫秒计）。因此，如果你的Lambda函数只运行了2毫秒，你只需支付那2毫秒的计算费用。

为了让Lambda访问其他AWS服务（如从S3读取），它需要适当的权限。这就是IAM（身份和访问管理）的用武之地。IAM是控制谁或什么可以访问你AWS资源的安全框架。

当你创建Lambda函数时，需要设置两样东西：一个IAM角色和一个IAM策略。让我解释一下区别：

• 角色代表“谁”可以访问。可以把角色想象成一个工牌或职位头衔。它是你的Lambda函数在运行时承担的身份。角色向其他AWS服务证明：“我是S3到Bedrock处理器函数”或“我是文档解析器”。像Lambda这样的服务没有用户名或密码，相反，它们承担角色来向其他AWS服务证明其身份。

• IAM策略则规定“它能做什么”。角色本身并不保证任何权限，这就是策略的作用。可以把策略看作写在该工牌上的规则列表。它精确指定了该角色被允许执行的操作。策略是一个JSON文档，定义了诸如s3:GetObject（意味着你可以从S3读取文件）或s3:PutObject（意味着你可以写入文件到S3）等操作。

总结一下：当你创建Lambda函数时，你必须创建一个IAM角色（身份/工牌），将一个IAM策略（规则）附加到该角色，并将该角色分配给你的Lambda函数。关键要点是：角色定义它是谁，策略规定它能做什么。

3. Amazon Bedrock

https://github.com/OpenDocCN/dsai-notes-pt1-zh/raw/master/docs/dlai-docai/img/4905a7ede5e314fe0b334ceb2cf2a275_15.png

Amazon Bedrock是一项完全托管的服务，通过单一API提供对基础模型（如AWS的Claude或Nova等大语言模型）以及嵌入模型的访问。可以把它看作一个预训练AI模型的菜单，你无需从头开始训练和托管自己的模型，只需选择需要的模型并使用它。

Amazon Bedrock为你架构的三个关键部分提供支持：

1. 知识库：这是你的解析文档被自动嵌入并存储为向量的地方。Bedrock处理嵌入（将文本转换为数值表示）并提供语义搜索能力，以便你的智能体可以检索相关信息。

2. 智能体运行时：Bedrock为你的智能体的推理和响应提供支持的基础模型。当你的智能体收到查询时，它使用Bedrock的LLM生成智能、有根据的答案。

3. Agent Core Memory (智能体核心内存)：这是存储你智能体内存的地方，包括对话历史、用户偏好和语义事实。它允许你的智能体记住跨交互的上下文，使其感觉更像一个真正的助手。

请记住，Bedrock本质上是无服务器的，因此它会自动扩展，并且你只需为实际使用量付费。

智能体组件：Strands Agent 🤖

https://github.com/OpenDocCN/dsai-notes-pt1-zh/raw/master/docs/dlai-docai/img/4905a7ede5e314fe0b334ceb2cf2a275_17.png

现在，让我们来看看你架构中的智能体组件：Strands Agent。它是一个开源SDK。

Strands Agent是一个AWS开源框架，专门设计用于在笔记本和生产环境中构建智能体。它有助于简化编排：

• 无缝集成：Strands Agent与AWS资源（如S3、Bedrock和其他工具）无缝集成，无需复杂的手动编码。

• 简化配置：它有助于创建智能体定义。使用Strands Agent，你可以指定使用哪些Bedrock模型、你的智能体可以访问哪些工具以及内存如何工作。这使得你的智能体配置清晰、可维护且易于修改。

• 企业就绪：最后但同样重要的是，它是企业就绪的。Strands Agent是生产级的，它内置了用于跟踪和日志记录、性能监控和错误处理的工具，并且支持灵活的部署模式。

端到端流程演练 🔄

https://github.com/OpenDocCN/dsai-notes-pt1-zh/raw/master/docs/dlai-docai/img/4905a7ede5e314fe0b334ceb2cf2a275_19.png

现在让我们看看所有这些组件如何协同工作。让我们一步步走过这个过程。

步骤1：上传文档

在实验中，你将处理医学研究论文。你将一个PDF上传到S3的input/medical文件夹。S3上传事件触发你的Lambda函数。Lambda运行ADdeE解析器来解析和结构化内容。解析后的输出以两种格式上传回S3的output/medical文件夹：一个用于解析内容的Markdown文件，以及一个包含用于视觉定位的块信息（如块类型和边界框坐标）的JSON文件。这一切都是自动发生的。你只需上传文件，事件驱动架构会处理其余部分。

步骤2：将解析后的文档摄取到知识库

你开始将Markdown文件从S3的output/medical文件夹摄取到知识库中。Amazon Bedrock读取文件，为每个文本块生成嵌入，并将它们存储在向量数据库中。一旦摄取完成，你的知识库就变得可搜索了。智能体可以查询这个知识库来检索相关信息。请注意，你也可以为实现从S3到知识库的自动摄取任务实现一个单独的Lambda函数，但在实验中，为简化起见，我们只实现一个用于解析的Lambda函数。

步骤3：创建基于知识的搜索工具

这个工具将你的智能体连接到知识库。当智能体需要从你的文档中获取信息时，它会调用这个工具，该工具查询向量数据库并返回最相关的内容。这使你的智能体能够基于你上传的文档回答问题。

步骤4：设置智能体内存

Amazon Bedrock Agent Core Memory提供三种类型的长期内存：

1. 用户偏好：存储喜好、厌恶和个人背景。

2. 语义内存：存储事实、实体和关系。

3. 摘要内存：存储对话摘要和关键点。

重要的是，内存会在会话间持久化，因此你的智能体可以记住过去的交互并提供个性化的响应。

步骤5：构建智能体本身

你将配置系统提示（关于智能体应如何行为的指令）、你创建的基于知识的搜索工具、由Agent Core Memory启用的内存，以及托管在Bedrock上的LLM模型。一旦一切配置完成，你的智能体就可以与用户交互了。

步骤6：与你的智能体聊天

这是一个例子。用户可能会说：“我喜欢金枪鱼寿司。”智能体可能回应：“明白了。我记住了这个偏好。”在以后的会话中，你可能会问：“我今天午餐应该吃什么？”智能体可能回应：“寿司怎么样？你提到过你喜欢金枪鱼。”关键特性是智能体记住了你。它不仅仅是在一个会话中回答孤立的问题，而是在构建上下文并随时间了解你的偏好。

总结

本节课中，我们一起学习了如何在AWS上构建一个完整的、基于智能体化文档抽取的RAG管道。我们了解了如何利用Amazon S3进行文档存储，使用AWS Lambda实现事件驱动的无服务器计算来自动解析文档，并借助Amazon Bedrock的知识库、LLM和智能体内存功能，通过Strands Agent框架构建一个能够记忆上下文、进行个性化交互的智能体。这套架构结合了无服务器的弹性伸缩、事件驱动的自动化以及智能体的上下文感知能力，为构建生产级的文档智能应用提供了强大而灵活的解决方案。

https://github.com/OpenDocCN/dsai-notes-pt1-zh/raw/master/docs/dlai-docai/img/4905a7ede5e314fe0b334ceb2cf2a275_21.png

https://github.com/OpenDocCN/dsai-notes-pt1-zh/raw/master/docs/dlai-docai/img/4905a7ede5e314fe0b334ceb2cf2a275_22.png

https://github.com/OpenDocCN/dsai-notes-pt1-zh/raw/master/docs/dlai-docai/img/4905a7ede5e314fe0b334ceb2cf2a275_24.png

现在，是时候切换到实验笔记本，开始动手构建了！

014：使用Strands Agents构建研究论文聊天机器人

概述

在本实验中，我们将构建一个完整的文档智能处理流水线。该流水线部署在AWS上，结合了Landing AI的自动化文档解析功能与对话式AI智能体。我们将学习如何设置Lambda函数、配置S3触发器、将文档索引到知识库，并最终创建一个具备记忆和视觉溯源能力的智能聊天机器人。

实验架构与数据流回顾

在上一节中，我们介绍了系统的整体架构。本节中，我们来详细看看数据在系统中的流动过程。

1. 用户将PDF文件上传到S3存储桶的input文件夹。

2. 当新文件到达时，S3会自动触发一个Lambda函数。

3. Lambda函数使用Landing AI API将PDF解析为结构化的Markdown文本。

4. 解析后的Markdown、视觉溯源数据以及独立的文本块（chunk）被保存到S3的output文件夹。

5. Bedrock知识库为文档建立索引，以支持语义搜索。

6. 用户向具备记忆功能的Strands Agent提问，以维持对话上下文。

实验前提条件

本实验假设您已具备一个包含input和output文件夹的S3存储桶，以及一个连接到S3output/medical_chunks文件夹的Bedrock知识库。如果您希望亲自尝试本实验，我们将提供相关链接，指导您如何创建AWS账户、设置这些资源并学习AWS基础知识。

第一步：安装所需软件包

以下是本实验将用到的核心Python包及其作用：

• boto3：官方的AWS Python SDK，用于以编程方式与AWS服务交互。

• python-dotenv：从.env文件加载敏感配置信息。

• pymupdf：用于为PDF页面添加高亮注释，实现视觉溯源。

• Pillow：将PDF页面渲染为图像。

• bedrock-agent-core：为智能体提供记忆管理功能。

• strands-agent：一个用于构建AI智能体的框架。

安装命令如下：

pipinstallboto3 python-dotenv pymupdf Pillow bedrock-agent-core strands-agent

第二步：配置环境变量与AWS客户端

为了安全地管理凭证，我们将从.env文件加载环境变量，而不是将其硬编码在笔记本中。

以下是一个.env文件的示例模板：

AWS_ACCESS_KEY_ID=your_access_key AWS_SECRET_ACCESS_KEY=your_secret_key AWS_REGION=us-east-1 LANDINGAI_API_KEY=your_landingai_key

环境配置完成后，我们需要建立与所需AWS服务的连接。boto3库通过创建“客户端”来实现这一点。

我们将为以下服务创建客户端：

• S3客户端：用于上传PDF、下载输出文件和管理存储桶。

• Lambda客户端：用于部署Lambda函数、更新代码和配置触发器。

• IAM客户端：用于为Lambda函数创建具有适当权限的角色。

• Logs客户端：用于通过CloudWatch日志监控Lambda执行和调试错误。

• Bedrock Agent Runtime客户端：用于查询知识库以进行文档搜索。

• Bedrock Runtime客户端：用于直接调用云端模型。

第三步：构建完整流水线路线图

我们的AWS客户端已准备就绪，现在可以开始构建完整的流水线。以下是我们的实现路线图：

第一部分：设置Lambda函数（步骤3-5）

我们将分三步设置Lambda函数：

1. 打包代码：将Python文件及其依赖项捆绑到一个zip文件夹中。

2. 创建角色：定义允许Lambda访问S3以下载和上传文件的权限。

3. 部署函数：将打包好的代码上传到AWS Lambda。

第二部分：设置触发器（步骤6）

接下来，我们将配置S3，使其在上传新文件到input文件夹时自动调用我们的Lambda函数。

第三部分：构建智能体（步骤7-12）

最后，我们将上传医学研究论文PDF，将解析后的文档索引到Bedrock知识库，并使用Strands Agent构建一个智能体。

为了保持本教程专注于核心概念，我们已在lambda_helpers.py中创建了辅助函数来处理底层的AWS操作。我们将在实验过程中解释每个辅助函数的逻辑。

第四步：创建部署包（步骤3）

什么是Lambda部署包？要创建AWS Lambda函数，您需要将源代码及其所有依赖项捆绑到一个zip文件中。这个包包含了Lambda运行代码所需的一切。

部署包包含：

• 您的源代码：ade_s3_handler.py，其中包含Lambda函数被调用时执行的ADE解析逻辑。

• 安装的依赖项：您的源代码导入的所有pip包。

以下是部署包的结构示例：

deployment_package.zip ├── ade_s3_handler.py ├── landingai/ ├── boto3/ └── ...其他依赖项

我们将使用create_deployment_package辅助函数来构建此包。该函数在后台执行以下操作：创建一个临时目录，使用pip将包安装到该目录，将您的源代码文件复制到临时目录，从该目录中的所有内容创建zip文件，并清理临时目录。

在进入下一步之前，让我们了解一下在Lambda内部运行的代码逻辑。下图展示了完整的流程：

https://github.com/OpenDocCN/dsai-notes-pt1-zh/raw/master/docs/dlai-docai/img/e926649fb95c303339cafd221d4e02cf_1.png

以下是逐步发生的情况：

1. 接收事件：当PDF文件上传到S3的input文件夹时，S3事件会触发Lambda函数。

2. ADE处理函数：从事件中提取文件键（key）。

3. 检查与验证：处理函数检查是否为PDF文件、跳过文件夹，并验证输出是否已存在。

4. 下载PDF：将PDF下载到Lambda的临时目录。

5. 调用ADE API：将PDF发送到ADE API进行解析，返回Markdown文本和文本块。

6. 上传结果：将结果以三种格式上传到S3的output文件夹：

   • 一个Markdown文件，用于存储解析后的内容。

   • 一个包含所有文本块信息（用于视觉溯源）的JSON文件。

   • 独立的文本块JSON文件，用于优化知识库索引。

为了帮助您理解每个输出文件的内容，假设您上传了input/medical_research_paper.pdf，在ADE处理完成后，S3的output文件夹中将包含：

• markdown/：包含完整文档的可读格式，其中包含链接文本到块ID的锚点标签。

• grounding_json/：一个包含所有文本块及其边界框坐标等元数据的单一文件。

• medical_chunks/：每个文本块一个文件，针对向量数据库索引进行了优化。每个文件都自包含文本、位置和源元数据。

由于我们正在实现一个RAG（检索增强生成）流水线，我们将专注于仅使用output/medical_chunks文件夹进行Bedrock知识库索引和生成注释图像。其他文件夹可用于不同的实验和下游用例。

第五步：创建IAM角色（步骤4）

什么是IAM角色？Lambda函数在默认没有任何权限的隔离容器中运行。IAM角色授予函数使用临时凭证访问特定AWS服务的权限。

我们将使用create_or_update_lambda_role辅助函数来创建一个具有Lambda函数所需权限的角色。该角色包括以下权限：

• S3权限：GetObject（从输入文件夹读取PDF）、PutObject（将Markdown文件写入输出文件夹）、HeadObject（检查输出文件夹是否已存在）。

• 日志权限：CreateLogGroup（为此函数创建CloudWatch日志组）、CreateLogStream（为每次执行创建日志流）、PutLogEvents（写入日志条目以进行调试）。

第六步：部署Lambda函数（步骤5）

现在我们已经拥有了所需的两部分：部署包（我们的代码）和IAM角色（我们的权限）。让我们使用deploy_lambda_function辅助函数来部署Lambda函数。

部署还包括一些重要的配置选项：

• 环境变量：我们的代码在运行时可以访问的配置值。

• 超时：最大执行时间设置为900秒（15分钟），用于处理较大的PDF。

• 内存大小：分配的RAM量，我们将设置为1024 MB。

第七步：设置S3触发器（步骤6）

我们的Lambda函数已部署，但还不会自动运行。我们需要告诉S3在文件上传时触发Lambda函数。S3可以在对象被创建、修改或删除时向Lambda发送事件。我们将配置为当文件上传到input文件夹时调用我们的函数。setup_s3_trigger辅助函数处理此配置。

第八步：上传文档进行处理（步骤7）

基础设施现已准备就绪。现在，让我们上传我们的医学PDF文档，并观察流水线的运行。下图展示了PDF文件如何从您本地的medical文件夹流向S3输入存储桶，被自动触发的Lambda函数使用ADE处理，并产生三种类型的输出文件。

https://github.com/OpenDocCN/dsai-notes-pt1-zh/raw/master/docs/dlai-docai/img/e926649fb95c303339cafd221d4e02cf_3.png

我们将使用upload_folder_to_s3辅助函数上传本地文档。当Lambda函数处理我们的文档时，我们可以实时监控其进度。此辅助函数监视CloudWatch日志以显示处理状态。Lambda会自动写入日志，我们只需要读取它们。要停止监控，请按Esc键，然后双击I。您可以选择显示所有输出文件，但在本视频中，我们直接按Note。

第九步：连接到Bedrock知识库（步骤8）

我们的文档现已解析并存储在S3中。下一步是通过将它们摄取到Bedrock知识库中使其可搜索。知识库是一个支持语义搜索的向量数据库。

首先，让我们验证我们的知识库是否可用且配置正确。我们使用Bedrock Agent客户端列出所有知识库及其数据源。请注意，知识库已在AWS控制台中预先配置，指向我们的S3output/medical_chunks文件夹作为数据源，使用Amazon Titan创建向量嵌入，并将向量存储在OpenSearch Serverless中以进行快速相似性搜索。此信息未在此处打印，但我想让您了解我们在本实验中使用的配置。

第十步：将文档摄取到知识库（步骤9）

现在，让我们将解析后的文档从S3同步到知识库中。这个过程称为“摄取”。

摄取过程中会发生什么？

1. 知识库读取S3output/medical_chunks文件夹中所有新的或修改过的JSON文件。

2. 它为每个文本块创建向量嵌入。

3. 这些向量被存储在数据库中，以便进行快速相似性搜索。

摄取完成后，我们可以用自然语言问题查询知识库，并找到最相关的文档部分。start_ingestion_jobAPI启动异步处理，它立即返回作业ID，实际工作在后台进行。

第十一步：创建具备视觉溯源的搜索工具（步骤10）

我们的文档已在知识库中建立索引，现在可以为我们的智能体创建一个搜索工具。但我们要添加一些特别的东西：Landing AI的视觉溯源功能。

下图展示了我们搜索工具的代码逻辑：

https://github.com/OpenDocCN/dsai-notes-pt1-zh/raw/master/docs/dlai-docai/img/e926649fb95c303339cafd221d4e02cf_5.png

https://github.com/OpenDocCN/dsai-notes-pt1-zh/raw/master/docs/dlai-docai/img/e926649fb95c303339cafd221d4e02cf_1.png

让我带您了解这个逻辑。该工具遵循以下模式：

当用户提交一个查询（例如“什么有助于缓解感冒症状？”）时：

1. 检索：通过查询知识库（使用混合搜索，结合关键词匹配和语义相似性）来检索相关结果。

2. 检查：对于每个结果，检查它是否来自medical_chunks文件夹的块JSON文件。

3. 解析：解析块JSON以获取元数据，如块ID、块类型、页码和边界框。

4. 生成图像：动态生成裁剪后的块图像，并将其上传到S3，返回一个预签名URL。

5. 格式化响应：智能体将格式化响应，为您提供来源、块ID、页码、块类型、裁剪图像URL和内容。

在创建智能体之前，让我们验证一下我们的搜索工具是否正常工作。一个简单的测试查询知识库并显示第一个结果。让我们搜索“common cold symptoms”。您可以看到知识库搜索工作正常。我们现在可以打印这些测试结果。当您点击预签名URL时，您可以看到为可追溯性和可审计性动态创建的块图像。对于受严格监管的组织和高风险操作，这可以整合到您的RAG系统或任何下游应用程序中。

https://github.com/OpenDocCN/dsai-notes-pt1-zh/raw/master/docs/dlai-docai/img/e926649fb95c303339cafd221d4e02cf_3.png

第十二步：为智能体创建记忆（步骤11）

我们的搜索工具正在工作。现在，让我们为智能体创建记忆，以便它能记住对话并随着时间学习用户偏好。AWS Bedrock Agent Core提供了三种记忆策略，每种服务于不同的目的：

• 会话摘要：总结过去的会话。

• 用户偏好：随着时间学习用户偏好。

• 语义记忆：提取和存储事实。

我们将配置所有三种策略，为智能体提供全面的记忆能力。我们将首先检查是否已为智能体创建了记忆，否则将创建一个新的记忆。创建记忆后，我们需要设置一个会话管理器，为每次对话组织信息。每次对话需要两个标识符：

• 参与者ID：谁在使用智能体，这支持跨会话的个性化。

• 会话ID：此特定对话的唯一标识符。

第十三步：创建Strands智能体（步骤12）

我们现在已准备好所有组件：一个具备视觉溯源的搜索工具，以及用于在对话间维护上下文的记忆。让我们将所有内容整合到一个Strands智能体中。

智能体配置如下：

• 模型：使用Claude via Bedrock作为底层的LLM。

• 系统提示：定义智能体个性和行为的指令。

• 会话管理器：用于记住偏好、历史摘要和事实的记忆。

• 工具：我们之前创建的搜索知识库函数。

请注意，系统提示明确指示智能体在其响应中包含视觉溯源信息，如页码、位置坐标和注释图像。

第十四步：交互式聊天（步骤13）

您的医学文档智能体现在已准备就绪。让我们启动一个交互式聊天会话。让我们从“维生素C治疗感冒的效果如何？”开始。这里显示它使用了search_knowledge_base工具，并返回了一个症状列表。以及信息源，我们可以在其中找到注释图像。

我现在告诉它我更喜欢简短的回答，然后退出。让我们再次运行它并问同样的问题。您可以看到，它根据我之前的偏好返回了更简洁的答案。要退出，请输入exit、quit或bye。

总结

恭喜您完成本实验！您已经构建了一个完整的、可用于生产的文档智能处理流水线，其中包含以下关键组件：

• 自动化文档处理：当PDF上传到S3时自动解析的Lambda函数。

• 语义搜索：用于智能文档检索的Bedrock知识库。

• 视觉溯源：提供精确页码位置和高亮图像的可追溯答案。

• 对话记忆：能记住偏好和对话历史的智能体。

• 独立文本块存储：为更好的知识库索引而优化的块文件。

您现在可以扩展此流水线以处理其他文档类型（如Excel、PowerPoint甚至图像），为智能体添加更多工具，或随着需求增长与其他AWS服务集成。

https://github.com/OpenDocCN/dsai-notes-pt1-zh/raw/master/docs/dlai-docai/img/e926649fb95c303339cafd221d4e02cf_5.png

感谢您付出的时间、展现的好奇心和参与的热情。我们非常期待看到您接下来将创造什么。下次见！😊

015：总结 🎯

在本课程中，我们学习了如何构建一个智能体化的文档处理系统，使你能够解析和提取PDF等文件中的信息。

https://github.com/OpenDocCN/dsai-notes-pt1-zh/raw/master/docs/dlai-docai/img/8c2f0fc9bddc280a37b7f9b9ac7eae66_0.png

课程内容回顾 📚

上一节我们探讨了如何将应用迁移到云端并使其事件驱动。现在，让我们对整个课程的核心内容进行总结。

以下是我们在本课程中学习的关键步骤与技术：

1. 从图像到文本的转换：你学习了如何通过**OCR（光学字符识别）**技术将图像文件转换为可处理的文本。

   # 示例：使用OCR库提取文本text=ocr_engine.extract_text(image_file)

2. 布局分析与逻辑排序：你探索了如何使用**边界框（Bounding Boxes）**分析文档的物理布局，并将识别出的文本块按逻辑顺序进行重组。

3. 视觉语言模型的应用：你使用了**视觉语言模型（VLMs）**来理解文本及其在文档中的上下文关系。

4. 智能体化文档理解：你采用了**ADE（一种“视觉优先”的智能体生成方法）**来处理复杂文档，该方法优先考虑视觉结构。

5. 构建检索增强生成应用：你基于以上技术，构建了一个**RAG（检索增强生成）**应用程序，用于回答关于非结构化文档的问题。

6. 云端部署与事件驱动：最后，你探索了如何将应用程序迁移到云端，并将其改造为事件驱动的架构，以提高可扩展性和响应能力。

总结与展望 🌟

本节课中，我们一起学习了从基础的OCR文本提取，到利用智能体进行高级文档理解和构建问答应用的完整流程。你掌握了处理非结构化文档并将其转化为可查询知识的核心技能。

我期待看到你运用这些知识，构建出属于自己的创新应用。🚀