网页解析不是把 HTML 扔给模型，而是把无序页面还原成模型真正能利用的结构化语义块。
01
为什么直接丢 HTML 不够用
HTML 里混着导航、广告、样式噪音和交互残留。模型如果直接消费这些内容，成本高且效果不稳定，尤其在长页面和复杂资讯页中更明显。
02
先做布局理解，再做语义切分
我们先识别页面中的主要区块、标题层级和内容密度，再决定哪些内容应该保留、哪些内容应该折叠或删除。这样生成的中间结构更像文档，而不是网页源代码。
Parsing Flow
布局层和语义层分开处理
只有先理解页面结构，后续的清洗和重排才会稳定。
3 层处理阶段
LLM 可直接消费目标输出
秒级典型耗时
03
为什么能压到秒级
关键不是单点极限优化，而是把视觉识别、区块打标和结构合成变成并行流程。重内容站点和普通营销页用不同策略处理，避免所有页面都走同一条重路径。
04
对 RAG 和智能体有什么价值
结构化后的网页文档更适合做向量入库、长文问答、事实增强和任务执行。因为输入更干净，模型花在“理解噪音”的成本会更少。