结构化文本解析时，Everything Claude Code 的 Regex vs LLM Skill 主张“能用正则就用正则”，仅将低置信度的极少数边界情况交给 LLM 处理。这一决策框架结合正则的高效确定性和 LLM 的灵活性，实现了 95% 以上场景的低成本自动化解析，同时用信心评分机制保障准确率。适用于问卷、表单、发票等重复结构文本，极大优化了 AI 辅助编程的成本与稳定性。

Everything Claude Code Regex vs LLM Skill：解析结构化文本时选正则还是 LLM 的决策框架

在 AI 编程助手（如 Claude Code、Codex、Cursor）日常开发中，结构化文本解析是高频需求——无论是批量导入问卷、自动抽取表单、还是处理发票、合同、报告等文档结构。传统做法常陷入“全靠正则”或“一股脑丢给 LLM”两极，要么维护复杂的正则表达式，要么为每条数据付出高昂的 LLM 费用。

Everything Claude Code 的 regex-vs-llm-structured-text Skill，正是为了解决这一两难困境：它提供了一个实用的决策框架，让你能用极低的成本和高可控性，批量解析结构化文本，同时只在必要时用 LLM 补足极少数边界情况。该 Skill 已在生产环境大量实践，适配问卷、表格、发票、文档等场景，极大提升了 AI 辅助编程的性价比和稳定性。

本文将结合实际代码与流程，手把手教你如何用好这一 Skill，并介绍其与 Skills/Agents/Hooks/Rules 体系 的协作关系。

---

1. 这个 Skill 解决什么问题？

• 高效批量解析结构化文本：如选择题、表单、发票、合同等，格式大体一致但偶有异常。
• 成本与准确率兼顾：正则可覆盖 95% 以上的标准情况，LLM 仅处理边界异常，节省 95% 以上 LLM 调用成本。
• 自动识别异常数据：通过置信度评分，自动筛选出正则难以处理或结果可疑的条目，避免“漏网之鱼”。
• 易于集成与扩展：可作为独立 Skill 嵌入各类 Agent、Pipeline、自动化 Hook，实现端到端自动化。

不用它时的常见问题

• 纯正则：对异常格式、缺字段、换行等情况无能为力，维护成本高，容易“静默失败”。
• 纯 LLM：每条都调用 LLM，成本高、速度慢、可重复性差，且易受 prompt 变化影响。
• 无信心评分：无法自动发现解析失败或异常数据，后续流程易出错。

---

2. 什么时候激活？（触发条件）

• 需要批量解析结构化、重复模式的文本（如问卷、表单、发票、合同、表格等）
• 希望在保证准确率的同时最大化节省 LLM 成本
• 需要自动标记和处理解析置信度低的异常情况
• 构建混合解析 Pipeline（正则+LLM），提升整体健壮性

常见 Agent/Skill 配套场景包括：

• Doc Updater Agent：自动抽取文档结构、生成 Codemap
• Repo Scan Skill：批量解析多类源码/文档结构
• Data Scraper Agent Skill：网页/文档数据采集后结构化处理

---

3. 使用流程 Step by Step

Step 1：用正则批量解析主流结构

假设你要解析如下选择题文本：

1. What is the capital of France?
A. Berlin
B. Madrid
C. Paris
D. Rome
Answer: C

2. Which planet is known as the Red Planet?
A. Earth
B. Mars
C. Jupiter
D. Venus
Answer: B

编写正则解析器：

import re
from dataclasses import dataclass

@dataclass(frozen=True)
class ParsedItem:
    id: str
    text: str
    choices: tuple[str, ...]
    answer: str
    confidence: float = 1.0

def parse_structured_text(content: str) -> list[ParsedItem]:
    pattern = re.compile(
        r"(?P<id>\d+)\.\s*(?P<text>.+?)\n"
        r"(?P<choices>(?:[A-D]\..+?\n)+)"
        r"Answer:\s*(?P<answer>[A-D])",
        re.MULTILINE | re.DOTALL,
    )
    items = []
    for match in pattern.finditer(content):
        choices = tuple(
            c.strip() for c in re.findall(r"[A-D]\.\s*(.+)", match.group("choices"))
        )
        items.append(ParsedItem(
            id=match.group("id"),
            text=match.group("text").strip(),
            choices=choices,
            answer=match.group("answer"),
        ))
    return items

Step 2：置信度评分，自动标记异常

对每个解析结果进行信心评分，自动识别“选项数不足”“答案缺失”“题干过短”等问题：

@dataclass(frozen=True)
class ConfidenceFlag:
    item_id: str
    score: float
    reasons: tuple[str, ...]

def score_confidence(item: ParsedItem) -> ConfidenceFlag:
    reasons = []
    score = 1.0

    if len(item.choices) < 3:
        reasons.append("few_choices")
        score -= 0.3

    if not item.answer:
        reasons.append("missing_answer")
        score -= 0.5

    if len(item.text) < 10:
        reasons.append("short_text")
        score -= 0.2

    return ConfidenceFlag(
        item_id=item.id,
        score=max(0.0, score),
        reasons=tuple(reasons),
    )

def identify_low_confidence(items: list[ParsedItem], threshold: float = 0.95):
    flags = [score_confidence(item) for item in items]
    return [f for f in flags if f.score < threshold]

Step 3：仅对低置信度条目调用 LLM 修正

对被标记为低置信度的条目，自动调用 LLM（如 Claude Haiku）做二次抽取或修正：

def validate_with_llm(item: ParsedItem, original_text: str, client) -> ParsedItem:
    response = client.messages.create(
        model="claude-haiku-4-5-20251001",
        max_tokens=500,
        messages=[{
            "role": "user",
            "content": (
                f"Extract the question, choices, and answer from this text.\n\n"
                f"Text: {original_text}\n\n"
                f"Current extraction: {item}\n\n"
                f"Return corrected JSON if needed, or 'CORRECT' if accurate."
            ),
        }],
    )
    # 解析 LLM 返回，返回修正后的 ParsedItem
    return corrected_item

Step 4：完整混合管道（自动化）

组合以上步骤，形成自动化 Pipeline：

def process_document(content: str, *, llm_client=None, confidence_threshold: float = 0.95):
    items = parse_structured_text(content)
    low_confidence = identify_low_confidence(items, confidence_threshold)

    if not low_confidence or llm_client is None:
        return items

    low_conf_ids = {f.item_id for f in low_confidence}
    result = []
    for item in items:
        if item.id in low_conf_ids:
            result.append(validate_with_llm(item, content, llm_client))
        else:
            result.append(item)
    return result

输出示例

假设 100 道题，正则成功解析 98 道，仅 2 道因格式异常被标记低置信度并自动交给 LLM 修正。最终输出全部结构化对象，且日志记录正则成功率、LLM 调用次数等指标。

---

4. 常见配套 Agent 和 Skill 协作关系

• 可作为 Doc Updater Agent、Repo Scan Skill 的结构化抽取核心组件
• 与 Verification Loop Skill 配合，自动检测和修复解析失败的边界情况
• 可与 Hooks 体系集成，实现解析后自动触发校验、补全、日志等自动化操作
• 支持与 Rules 体系结合，按不同文档类型自动切换正则模板和信心评分规则

---

5. 实践经验与最佳实践

• 优先用正则，哪怕不完美，也能给后续 LLM 校正提供良好起点
• 信心评分必不可少，避免“静默失败”或漏掉异常数据
• LLM 只用最便宜的模型（如 Claude Haiku），仅对极少数异常条目补漏
• 所有清洗/校正都不应直接修改原对象，始终返回新实例，便于追踪和回溯
• 测试驱动开发（TDD）效果极佳，先覆盖常规模式，再补充边界用例
• 日志和指标必备，如正则命中率、LLM 调用次数、异常原因分布，便于持续优化

---

6. 反模式与注意事项

• 切忌全部丢给 LLM：正则能搞定 95%+，全用 LLM 既浪费钱又慢
• 切忌用正则处理自由文本：格式极不规则时，LLM 才是更优解
• 切忌跳过信心评分：否则异常数据难以被发现和修正
• 切忌在清洗/校正时原地修改对象：易引入副作用和难以追踪的 bug
• 切忌不测边界用例：如字段缺失、异常编码、换行错位等

---

FAQ

Q: 这个 Skill 适合什么类型的文本解析？
A: 主要适合格式高度重复、结构化的文本，如问卷、表单、发票、合同、表格等，尤其在大批量处理和成本敏感场景下效果最佳。

Q: 如果文档格式极度不规则，还能用这个 Skill 吗？
A: 格式高度自由时，建议直接用 LLM 解析，不建议用正则；Skill 内置决策框架会自动切换策略。

Q: 能和 Claude Code 的其他 Agent/Skill 混用吗？
A: 完全可以，推荐与 Doc Updater、Repo Scan、Verification Loop 等 Agent/Skill 及 Hooks、Rules 体系协作，构建端到端自动化处理流。

---