一句定义
抽取：从文本里识别出关键词或字段值。比如从备注「back text Mom」抽取出「Mom」。
语义解析：在抽取基础上识别「这个值是什么字段、应该归到哪个生产步骤、有没有冲突、要不要审核」。
两者的差异：抽取告诉你「文本里有什么」，语义解析告诉你「这条订单能不能进生产」。
纯抽取 vs 语义解析——一张表说清差距：
| 维度 | 纯抽取 | 语义解析 |
|---|---|---|
| 输出形态 | 关键词 / 字符串列表 | 字段表 + 审核状态 + 原文 |
| 是否归字段 | 否（只给值） | 是（值绑定字段 + 上下文） |
| 是否识别冲突 | 否 | 是（如「金色项链 vs 选项选银色」） |
| 是否做风险标记 | 否 | 是（敏感词 / 加急 / 缺图 / 拼写疑似错误） |
| 是否保留原文 | 看实现 | 强制保留 |
| 衡量指标 | 抽取准确率 % | 正确归字段率 + 漏审率 + 误审率 |
| 上线后能否直接进生产 | 否（还要人工拼字段） | 是（带审核状态，按状态分流） |
抽取告诉你「文本里有什么」，语义解析告诉你「这条订单能不能进生产」——后者才是定制类目要的能力。
适用场景
多字段订单：客户在备注里同时给了刻字、字体、位置、包装、加急——抽取只能给你 5 个字符串，语义解析才能告诉你哪个该填哪个字段。
字段冲突场景：客户填「金色项链」但选项里选「银色」——抽取认不出冲突，语义解析需要交叉验证。
风险订单：刻字含敏感词、地址含 PO Box、加急没识别——只看抽取准确率会忽略这些坑。
多语言订单：英文 + 中文混杂时，抽取容易把英文专有名词当成中文翻译，语义解析需要识别语种再决定处理。
输入输出示例
输入：「Please engrave Mom 2026 on the back of the necklace, font Anton, gift box please, ship ASAP」。
纯抽取结果：[Mom 2026, back, necklace, Anton, gift box, ASAP] —— 6 个关键词，没归字段、没风险标记。
语义解析结果：
- 背面文字 = Mom 2026
- 字体 = Anton
- 包装 = 礼盒
- 加急 = 是
- 审核状态：通过（无敏感词）
- 原文 = 完整保留
- 翻译 = 中文生产指令版本（待生成）
常见误区
误区一：只看抽取准确率。99% 抽取率意味着 100 单里有 1 单字段抽错——这 1 单可能是整单报废。
误区二：忽略上下文。「inside」在戒指订单里是「内侧刻字」，在杯子订单里是「内印图案」——同一个词不同字段。
误区三：误判成本不可见。抽取错的代价不只是「这条订单错了」，还有客服时间、客户信任、平台 ASIN 评分。
误区四：把抽取错当成「LLM 不够强」。常见的抽取错 70% 是「场景理解差」而不是「模型理解差」——需要业务规则而不是更大的模型。
Koru 如何处理
抽取 + 语义解析双层。先抽出候选值，再用字段规则把候选归字段、识别冲突、做风险判断。
人工修正回流。运营把「inside ring」从「内侧刻字」改到「指环内侧」后，下次系统会优先用新映射。
审核状态作为一等公民。每条输出都带审核状态，「通过 / 失配审 / 必审 / 拦截」四档，不是单纯的「成功 / 失败」。
行动建议
第一步：评估系统不要只看「抽取了多少」，看「正确归字段了多少 + 漏识别了多少必审项」。
第二步：把字段冲突、敏感词、缺图、单位混填这 4 类「需要语义判断」的场景列出来，看系统能否处理。
第三步：跑一次真实订单全流程，对比抽取结果和最终生产表——差距在哪里就是语义解析的价值。