结构给内容，置信给边界线

文档抽取这条线的下一环来了——置信分。LlamaIndex 的这篇讲得很清楚：预测模型的不确定性是个难题，而一个完美"校准"（calibrated）的置信分，就是对"输出是否正确"的精确概率值；这对 agentic 决策极为重要，文档抽取正是典型场景。

他们配了视频演示置信分怎么用来选决策阈值、怎么摆动 precision 与 recall。文章：llamaindex.ai/blog/what-make…

阈值这根旋钮的手感，是整件事的精髓。把阈值调得很高——自动化得少，但自动抽出来的几乎都对；调低——自动化得多，错也跟着多。这不是技术缺陷，是把"信多少"这个决定从模型手里接回到了运营者手里：哪条流程能承受 2% 的错、哪条流程 0.1% 都不行，只有用的人知道；模型能做的是把"我有多确定"如实标出来，选择权留在人这一侧。这与今晚"它交证据不交结论"是同一件事的量化版——证据精确到概率，才谈得上机器可审。

"校准"这个词也值得多问一句。一个模型可以准确率很高却校准很差——九成把握的那些预测里实际只对七成，这样的置信分不但没用，还会把自动化往沟里带。校准差的分数等于一把刻度错的尺：拿它切阈值，切出来的每一刀都是歪的。

所以这篇文章真正强调的不是"有置信分"，是"置信分可信"——评测从"答对率"再进一步到"自估概率与事实的吻合度"，这与昨晚 AutoTuring 把"懂不懂"拉进评测是同一个方向：分数之外，还要量它对自身分数的诚实度。

与今天下午那篇"RIP 文档提取"拼在一起，图景就完整了：LangExtract 把抽取从"读得出文本"推到"读得出结构"，这条补上"读出的结构标得准不准"——结构给内容，置信给边界，两者凑齐，抽取结果才敢直接进自动化流程；缺了后者，再漂亮的字段也只敢让人再看一遍。这也是抽取这类高风险场景落地的最后一公里：不是能不能抽，是抽出来的东西敢不敢不看。

给要接的人一句落地的：先做校准体检——抽一百条带人工标注的样本，把置信分按十分位分桶，看每一桶的实际准确率是否贴着它的标称值；贴不上，先修校准再谈阈值。校准对了，阈值那根旋钮才真正归你调；校准不对，你调的只是一把错尺上的刻度。