文档解析质量决定 RAG 上限：PDF/扫描件怎么处理

写在前面

扫描件、双栏、表格会拖垮知识库。梳理 OCR、版面分析与表格还原的优先级。本文基于伽蓬信息科技在企业数字化与 AI 落地项目中的交付经验整理，尽量给出可执行步骤与验收口径，而不是停留在概念层。

阅读建议：可先扫「可执行清单」快速对齐动作，再回到各章节看细节；若你正在做同类项目，也可直接对照文末的实施节奏安排本周任务。

适用场景与不适用场景

更适合：已有明确业务负责人、能提供真实数据/样例、希望在 2-8 周内看到可演示增量的团队。

暂不建议硬上：目标仍停留在“探索 AI/数字化概念”、缺少业务拍板人、或关键系统接口完全不可用且短期内无法打通的情况。此时应先做范围收敛与可行性验证。

先识别文档类型

原生 PDF、扫描件、PPT、表格型报表处理链路不同。

版面分析后再切分，比按固定字数切更稳。

落地时建议把本节拆成可验收条目：谁负责、什么时候完成、用什么指标判断“完成”，避免会议纪要式推进。

表格与图片

关键表格尽量结构化入库，而不是当纯文本。

图片中的文字走 OCR，并保留来源页码便于引用。

落地时建议把本节拆成可验收条目：谁负责、什么时候完成、用什么指标判断“完成”，避免会议纪要式推进。

常见坑与规避

• 范围一次性铺太大，导致评测与上线无限延期。
• 只优化模型/页面，不补数据、权限与运维闭环。
• 缺少失败态设计，线上异常时用户只能看到“系统错误”。
• 没有 source/版本/日志，出问题无法复盘。

建议实施节奏

• 第 1 周：对齐目标、边界、成功指标与样例数据。
• 第 2-3 周：做出可演示主流程，建立最小评测/验收集。
• 第 4-6 周：补权限、监控、降级与培训材料，小范围试点。
• 之后：按真实反馈迭代，把失败案例回灌到评测与知识库。

可执行清单

• 分类型解析
• 表格结构化
• 引用带页码

小结与下一步

把上述要点落到你们当前阶段的优先级里，先完成能验证价值的最小闭环，再扩展能力边界。若你正在推进「文档解析质量决定 RAG 上限」相关建设，欢迎联系伽蓬获取针对性方案、架构评审与同类案例参考。