多领域的 LLM 项目实战资料整理了一份重点看它怎么在不同场景下做选题和取舍这些判断比代码本身更值得先看。选题判断信息抽取、问答、摘要这类任务先看结构化程度——输出能不能用规则校验决定了要不要上复杂工作流。能用函数约束的场景就别堆 prompt能一次生成的场景就别拆多轮这两条能砍掉一大半复杂度。架构分层资料里的项目都按「数据→检索→生成→校验」四层拆每层可单独替换。校验层很多人会省但恰恰是生产环境里拦幻觉的关键一步。规则校验格式、枚举、数值范围放前面模型自洽性校验放后面成本低的先跑。领域差异客服问答和文档抽取虽然都叫 NLP但前者要处理多轮上下文和兜底话术后者要处理版式噪声和字段对齐。资料按领域各给了完整项目对比着看能发现共性数据质量投入占了整体工作量的一半以上。评估先行每个领域章节都带了评估方法这是比模型选型更值得抄的部分。离线集 线上采样双轨改动前跑基线改动后跑回归没有这一步的优化都是自我感觉。电子书和配套代码的格式都全按领域挑着看https://pan.quark.cn/s/1306ce26507b