匹配正文：处理复杂 PDF 时，常会遇到一类高风险结果：每个字都识别出来了，但阅读顺序和字段关系却是错的。解析任务显示成功，分块与向量化正常完成，用户也能搜到很多相似内容，但模型拿到的证据已经不是原文真正表达的意思。先看一个双栏理赔指南的例子。左栏写办理步骤，右栏写申请材料。如果解析器按照同一水平位置依次拼接，输出会变成一句步骤接一句材料。用户问“需要提交哪些材料”时，检索器看到的不是一个完整材料清单，而是一段步骤和材料交错的文本。面试官很可能追问： PDF 里的文字已经提取出来了…

#RAG#解析与入库#复杂 PDF 阅读顺序

面经·项目面试

PDF 的字都识别对了，为什么 RAG 还是把流程讲反了？

匹配正文：PDF 的字都识别对了，为什么 RAG 还是把流程讲反了？假设你在做设备借用知识库。一页指南分成两栏：左栏是办理步骤，依次提交申请、审核通过后领取、用完归还；右栏是申请材料，列着工号证明、审批记录和设备清单。人读这页纸，通常会先沿左栏把流程看完，再去右栏找材料。解析后的文本却可能变成“提交借用申请、工号证明、审核通过后领取设备、审批记录、用完后办理归还、设备清单”。每个字都能在原页找到，内容也与设备借用高度相关。办理动作和申请材料已经混成一条队伍。把它切成段落送进知识库…

#RAG#PDF解析#阅读顺序

面试题·RAG

PDF、PPT、扫描件为什么不能共用一条解析 Pipeline？

匹配正文：…入库仍可能正常运行，只是它们会忠实地处理一份错误材料。多格式入库首先判断“知识以什么形式存在”，不能只看文件能不能打开。电子 PDF 的正文可能存在字符层，可以按页读取文字，但多栏排版、表格和浮动图片仍需要版面信息。扫描 PDF 看上去也是 PDF，页面内部却可能只有图像。PPT 不是一篇连续文章，一页中的标题、文本框、项目符号、图片和备注共同组成一张幻灯片。纯文本没有复杂版面，却还可能遇到编码与段落清洗问题。只按扩展名分流还不够。同一个 PDF 中可能前几页有字符层，…

希望老师帮你把学习与项目串起来？

了解 AI 全栈 1v1 陪跑营的项目安排、导师答疑与简历面试辅导。

查看课程安排 →咨询学习安排

学习内容与项目面试，在同一条路上。

站内 RAG 在线实战

#RAG#解析与入库#RAG 文档解析

面试题·项目与经历· 360

扫描PDF怎么解析内容?

匹配口述回答：…列，表格看结构与单元格内容，业务层看关键字段 precision、recall 和整单通过率。按语言、字体、清晰度、扫描倾斜、表格复杂度和文档来源切片，低置信区域保留坐标供审核。上线还要记录失败页、模型版本和预处理参数，才能复现问题。这样即使更换 OCR 或版面模型，也能判断改善发生在哪一层，而不是用一个无法解释的总准确率掩盖错误。识别扫描 PDF 与文本 PDF 的差异按页渲染并做图像质量预处理使用版面检测、OCR 与阅读顺序恢复区分 LayoutLM 和页面元素检…

#文档智能#OCR#版面分析

面试题·RAG

MinerU 能直接解决 RAG 文档解析吗？哪些页面必须二次处理？

匹配正文：… Markdown 看起来整齐只是起点。内容还要能够稳定切分、正确检索、返回原页，并且解析器升级后固定坏样本没有回退。是否继续增加复杂处理，要看它修复了哪些真实错误，以及新增成本是否值得。 MinerU 输出之后，怎样交付可维护的入库数据把重点压缩成一段面试口述，可以这样回答： MinerU 解析成功，只说明 PDF 已经生成了中间文本或结构，不代表内容可以直接进入 RAG。RAG 还要求输出结构稳定、重复与冲突可识别、结果能够增量更新并追溯到原页。我的处理思路是先走默认…

#RAG#解析与入库#MinerU RAG

面试题·RAG

RAG 文档解析质量怎么评估？不能只看“解析成功”

匹配正文：…哪里。数字上升时，也可能只是普通正文变好了，真正影响检索的跨页表格仍然错误。固定回归集应该怎样建？评测不能每次临时挑一份看起来复杂的文件。解析器、OCR 模型或后处理规则发生变化后，需要用同一批样本反复比较，否则这次看到的差异可能只是输入不同。回归集可以从真实会进入知识库的文档类型中抽取。至少要覆盖普通电子 PDF、扫描件、双栏页面、无边框表格、跨页表格、带印章或水印的页面，以及项目实际支持的 PPT、图片说明或代码块。关键不在数量一开始有多大，而在是否覆盖已知风…

#RAG#解析与入库#RAG 文档解析评估

面试题·RAG

RAG Chunk 为什么不能只按固定字数切？

匹配正文：…条款需要保留条件和例外，操作流程需要保留步骤顺序，表格则依赖表头与行列关系。如果所有内容都套同一个数字，表面上实现统一，实际是把复杂度转移给检索和生成。一条可落地的切分链路是什么？切分不应该从整篇纯文本开始。文档解析阶段已经拿到标题、段落、列表、表格、图片说明、代码块、页码和布局区域。切分器应当利用这些结构，而不是先把它们拍平成字符串，再尝试猜回原来的关系。可以把完整链路分成五步。第一步，形成原子单元。标题、正文段落、列表、表格、图片说明和代码块先按类型整理。属…

#RAG#切分与索引#RAG Chunk

面试题·RAG

跨页表格、代码块和图片怎么切，才不丢结构？

匹配正文：…是：“表格单独成块，代码按函数切，图片先做 OCR。” 这句话只讲了入口。面试官接下来通常会问：表格太长怎么办，跨页表头怎么继承，PDF 里的代码无法做语法解析怎么办，图片描述如果编错了又怎么核验？为什么普通文本能切，特殊内容却容易切坏？普通段落的主要语义通常来自句子顺序。只要尽量在句号、段落和标题边界切分，单个 Chunk 往往还能独立阅读。表格不同。一行里的值要结合表头才能解释，一张表还可能依赖表题、单位、合并单元格和前后注释。把文字按阅读顺序摊平之后，“华东、二级…

#RAG#切分与索引#RAG 表格切分