Skip to main content
Cookbook

文件自动打标：用大模型生成文档标签

用知识问答服务基于文档全部切片自动抽取标签并写回，实现从导入到按标签检索的端到端自动打标

本实践基于知识问答服务的检索与生成能力，由大模型根据文档全部切片自动抽取标签并写回文档，形成从导入、自动打标到按标签检索的端到端流程。全流程在控制台完成，结果可复现。

方案概述

背景

人工为文档打标签存在三个问题：
  • 效率无法匹配入库速度：文档批量入库时，人工打标速度远低于入库速度
  • 从入库到可用存在延迟：文档入库后需等待人工打标，才能用于按标签检索与分发
  • 标签口径不统一：标注人员的理解存在差异，同类文档的标签易不一致，影响检索质量
由大模型根据文档内容自动抽取标签，可使打标随入库自动完成，并通过统一的提示词保持标签口径一致。

适用场景

场景说明自动打标的价值
企业文档管理为合同、项目资料、技术文档标注部门、项目、主题、密级等标签提升检索效率，支持权限管理与合规追溯
知识资产沉淀为技术文档、研究报告、行业白皮书标注领域、技术栈、应用场景等标签将散落的资料结构化，支持按标签精准问答与推荐
营销素材管理为产品手册、营销方案、客户案例标注产品线、行业、场景等标签快速定位相关素材，支持按标签筛选与复用

方案原理

知识问答服务本质是 RAG：检索召回切片，再由大模型基于切片生成回答。将生成目标从回答问题改为抽取标签，即为自动打标：为目标文档添加一个唯一标签，通过标签过滤仅召回该文档的切片，由大模型按打标提示词输出标签，再写回文档。
三个关键点：
  • 单文档召回：百炼的标签过滤按 tags 筛选，不支持按文档 ID 过滤；通过为目标文档添加唯一标签，实现仅召回该文档
  • 尽量完整覆盖：排序模型设为不使用模型，并将召回数量调至上限，使尽可能多的切片进入模型
  • 结构化输出：由提示词约束模型输出可解析、可直接写回的标签
知识问答的最大召回数量上限为 20，即单次问答最多有 20 个切片进入模型。目标文档切片数不超过 20 时，可一次覆盖全文；超过 20 的文档无法在一次问答中被完整读取，需拆分文档或分批打标。演示用的小文档通常在 20 个切片以内。

操作步骤

本实践使用 百炼技术文档样例 演示（含 92 篇百炼平台技术文档），以其中的《首次调用通义千问 API》为例打标，也可替换为自有文档。 以下标签在打标后写回，无需提前创建：
标签说明示例值
产品文档所属产品产品_百炼
主题文档主题主题_API调用
难度入门 / 进阶 / 专家难度_入门
关键词文档关键词（多值）关键词_环境变量、关键词_curl
百炼的标签是字符串数组，没有字段类型的概念。标签仅支持中文、大小写英文字母、数字、下划线 _、中划线 -，不支持冒号、空格等其他字符，单个标签最多 32 个字符、每篇文档最多 100 个。因此使用 字段名_值 形式（如 产品_百炼）表达带含义的标签，多值标签（如关键词）拆成多个字符串。

1. 创建知识库并导入文档

进入 数据接入 → 知识管理，点击创建，选择旗舰版（自动打标需调大召回数量，旗舰版配额更高），按三步向导操作：
  1. 基础信息：填写知识库名称与描述；知识库类型选择文档搜索，使用场景选择基础文档问答
  2. 选择数据：依次配置，选择连接器（默认文件连接器），数据来源选择上传文件，配置类目，在文件上传区上传样例文档
  3. 索引设置：保持默认，完成创建
创建后进入知识库详情的文档列表，等待文档状态变为解析完成（系统自动完成解析、切片与向量化）。
选择数据步骤最下方的新增标签会对本次上传的所有文件批量生效，不适用于单文档定位；单文档的唯一标签在下一步单独添加。标签为自由文本，无需在此预先创建业务标签。

建库选择数据步骤：连接器、数据来源、配置类目、文件上传

建库选择数据步骤
详见创建知识库、文档管理。

2. 为目标文档添加唯一标签

标签过滤是仅召回目标文档的手段，因此需先为待打标文档添加一个唯一标签（如 auto_tag_temp）：
  • 控制台：进入 数据接入 → 知识管理，对上一步创建的知识库点击查看详情进入文档列表，对目标文档点击 更多 → 标签，在标签管理弹窗中输入 auto_tag_temp，回车后确定
  • API：调用 batchUpdateFileTag，为该文档的 tags 写入 ["auto_tag_temp"]

3. 配置知识问答服务

  1. 进入 知识服务 → 知识问答，点击创建，绑定上一步的知识库
  2. 选择生成模型。标签抽取对理解与指令遵循能力要求较高，建议选用能力较强的模型（如 qwen3.7-plus）
  3. 点击展开知识库配置，按下表设置检索参数：
参数设置原因
标签过滤输入或从下拉选择唯一标签 auto_tag_temp仅召回该文档的切片，实现单文档打标
初步向量检索 TopK调大（不小于文档切片数，默认 50）使该文档的切片尽量进入候选
初步关键词检索 TopK调大（不小于文档切片数，默认 50）覆盖关键词检索路径
排序模型选择不使用模型避免 rerank 按相关性筛除切片
最大召回数量调至上限 20使尽可能多的切片进入最终召回

知识库配置：标签过滤选唯一标签、TopK 调大、排序模型选不使用模型、最大召回数量调到 20

知识库检索参数配置
打标的核心是让模型读取尽量完整的文档。需将排序模型设为不使用模型，并将最大召回数量调至 20。受 20 上限约束，切片数超过 20 的文档需拆分或分批打标。

4. 设置打标提示词

在配置页的提示词输入框填入打标提示词模板。检索结果由服务自动拼接为上下文注入，提示词中无需写占位符。提示词直接要求模型输出可写回的 字段_值 标签数组： 
# 任务
你是一名文档内容理解助手。当前提供的参考资料来自同一篇文档的多个切片，已尽可能覆盖该文档的全部内容。请将这些切片视为一份完整文档的不同部分进行整体理解，为该文档抽取标签。

# 行为要求
1. 综合理解所有切片内容，不要只依据某一段局部信息。
2. 所有标签值必须来源于参考资料本身，不得引入外部知识或主观推测。
3. 如果某个维度在内容中未明确体现，不要输出该维度的标签。
4. 不要复述原文，不要解释分析过程，只输出标签数组。

# 标签维度
- 产品：文档所属产品（如 百炼、通义千问）
- 主题：文档主题（如 API调用、模型推理、数据导入）
- 难度：入门 / 进阶 / 专家
- 关键词：1-5 个文档关键词

# 输出规范
- 每个标签用 字段名_值 的形式表示，多值维度（如关键词）输出多个标签。
- 标签只允许中文、字母、数字、下划线、中划线，不要出现冒号、空格等字符。
- 仅输出一个 JSON 字符串数组，不要输出 Markdown、注释或任何多余文字，例如：
["产品_百炼", "主题_API调用", "难度_入门", "关键词_环境变量", "关键词_curl"]

5. 控制台执行打标

在配置页右侧调试面板输入打标指令（例如 请为这篇文档抽取标签），发送后确认模型输出的标签数组是否符合预期。

调试面板：输入打标指令，模型返回标签数组

调试面板打标效果
批量打标多篇文档时，确认效果后点击发布获取服务 ID（agent_id），通过知识问答 API 发起打标请求（响应为 SSE 流式输出，解析方式见接口文档），再按下一步写回标签。批量场景下每篇文档的打标顺序见注意事项。

6. 标签写入及检索

获得模型输出的标签数组后，调用 batchUpdateFileTag 写回文档（OVERWRITE 会覆盖第 2 步的临时唯一标签）： 
curl -X POST 'https://{workspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/connector/dash/batchUpdateFileTag' \
  -H 'Authorization: Bearer $API_KEY' \
  -H 'Content-Type: application/json' \
  -d '{
    "fileInfos": [
      {
        "fileId": "file-xxx",
        "tags": ["产品_百炼", "主题_API调用", "难度_入门", "关键词_环境变量", "关键词_curl"]
      }
    ],
    "updateMode": "OVERWRITE"
  }'
fileId 通过 listFile 获取，也可在控制台文档列表中通过 更多 → 标签 手工写回。写回后，在知识检索或问答服务的知识库配置 → 标签过滤中选择对应标签，即可按标签精准召回。

文档列表展示已写入标签，知识库配置标签过滤实现精准召回

按标签精准召回

注意事项

标签是字符串数组

百炼的标签是字符串数组（无字段类型），仅支持中文、字母、数字、下划线 _、中划线 -，不支持冒号、空格等字符，单个标签最多 32 个字符、每篇文档最多 100 个。带含义的标签用 字段名_值 表达（如 产品_百炼），多值维度拆成多个字符串。标签为自由文本，写回时无需预先创建。

单文档召回依赖唯一标签

百炼的检索与问答不支持按文档 ID 过滤，标签过滤按 tags 筛选。单文档打标需单独为目标文档添加唯一标签（如 auto_tag_temp）。建库时选择数据步骤的新增标签会对本次上传的所有文件批量生效，无法用于定位单篇文档。

受最大召回数量上限约束

知识问答最大召回数量上限为 20，单次问答最多 20 个切片进入模型。切片数超过 20 的文档无法一次覆盖，需拆分文档或分批打标。

标签过滤为服务级静态配置

问答服务的标签过滤在配置发布后固定，不随单次请求变化。批量打标多文档有两种方式：
方式做法适用场景
共用临时唯一标签所有文档先添加同一临时标签（如 auto_tag_temp），逐篇打标，完成后用业务标签覆盖文档数少，串行打标
多服务分权为每篇或每组文档建立独立问答服务，各自配置标签过滤大规模并行打标

常见问题

打标结果只覆盖部分内容？ 确认排序模型已设为不使用模型、初步检索 TopK 与最大召回数量已调大；文档切片数超过 20 时需拆分或分批。 模型输出了多余文字，不是纯标签数组？ 强化提示词中仅输出数组的约束；写回前可只取输出中的首个 [...] 数组再解析。 写回标签报错？ 检查标签是否含冒号、空格等不支持的字符，以及单个标签是否超过 32 个字符。
开始使用
Playground
数据接入
知识服务
Cookbook
应用集成
设置、计费与限制
更新日志