用途：使用 spaCy 完成文本分词与句子切分、命名实体识别（NER）、词性标注与形态分析、依存句法分析、词形还原、规则模式匹配，以及自定义 NER 流水线。
主要能力：加载预训练模型后处理文本，获取 token 的 pos_、dep_、lemma_ 等属性；通过 doc.ents 提取实体及其标签与字符偏移，用 spacy.explain 查看标签含义；用 noun_chunks 获取名词短语，按 nsubj、dobj 等依存关系定位主语宾语；使用 Matcher 做基于词性等属性的模式匹配，使用 PhraseMatcher 做快速精确短语查找；通过 EntityRuler 在 ner 之前添加规则实体；支持 doc.sents 句子边界、按词性或停用词过滤、以及 md/lg 模型下的相似度计算。
使用方式：先下载模型，例如 python3 -m spacy download en_core_web_sm（小、快，约 12MB）、en_core_web_md（含词向量，约 40MB）、en_core_web_trf（基于 transformer，最准确）。随后 import spacy 并 nlp = spacy.load("en_core_web_sm")，再对文本调用 nlp 得到 doc。批处理可用 nlp.pipe(texts)；可用 nlp.select_pipes(enable=["ner"]) 关闭未用组件；大文本需提高 nlp.max_length 或先分段；可用 doc.to_json() 序列化结果。
适用场景：实体抽取、句法与词性分析、术语精确匹配、自定义领域实体规则、文本预处理与特征提取。
限制：不适用于 LLM 推理或文本生成（应使用 transformers/huggingface）、大规模情感分析（应使用微调分类器）、机器翻译（应使用专用 MT 模型）、主题建模（应使用 gensim 或 sklearn）、以及仅需正则的简单文本搜索（应使用 re 模块）。相似度功能需 md 或 lg 等带词向量的模型。首次使用前必须下载模型。