匹配正文：…件上传解决保存问题。RAG 入库要把内容转成可搜索、可引用、能定位到原文的单元。 RAG 可以分成离线知识入库和在线问答两个阶段。文档解析处在离线阶段最前面。解析器交给后面的内容如果已经丢失或错乱，分块、向量化和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…

#RAG#解析与入库#RAG 文档解析

面试题·RAG

扫描 PDF 没有文本层，RAG 怎么做 OCR 与失败降级？

匹配标题与标签：扫描 PDF 没有文本层，RAG 怎么做 OCR 与失败降级？从字符层检测、页面渲染、OCR、版面分类到低置信度复核，完整拆解扫描 PDF 进入 RAG 的工程链路。 RAG RAG 解析与入库扫描 PDF RAG RAG OCR PDF 文档解析 OCR 失败降级大模型面试题

第 1 / 2 页下一页 →

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#扫描 PDF RAG

面试题·RAG

复杂 PDF 的双栏、表格和图片怎么解析，才不会打乱语义？

匹配标题与标签：复杂 PDF 的双栏、表格和图片怎么解析，才不会打乱语义？用双栏制度文档、跨页表格和图文混排场景，解释为什么按文本行拼接会污染 RAG，以及怎样恢复阅读顺序与结构。 RAG RAG 解析与入库复杂 PDF 阅读顺序 PDF 双栏解析 PDF 版面分析 RAG 文档解析 PDF Layout

#RAG#解析与入库#复杂 PDF 阅读顺序

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？

匹配标题与标签：MinerU 能直接解决 RAG 文档解析吗？哪些页面必须二次处理？不把开源解析器当黑盒：逐项分析阅读顺序、复杂表格、OCR、公式、输出一致性与资源限制，并给出可插拔的后处理链路。 RAG RAG 解析与入库 MinerU RAG MinerU 文档解析 RAG 解析短板 PDF 解析优化 RAG 项目题

#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：先看一次发布前判断。用户上传一份 PDF，接口返回成功，后台也生成了文本。任务状态显示“解析完成”，接下来却还有一个没有回答的问题：这批内容能不能进入正式知识库？接口成功只证明服务没有在这一刻报错。它没有回答正文是否完整、标题层级是否保留、扫描页有没有漏掉关键句，也没有回答用户提问时能不能找到正确证据。解析错误往往不会让程序崩溃。标题被压成普通正文，数据库照样可以写入；同一页重复输出两次，向量仍然能够生成；引用位置发生偏移，任务状态也可能显示完成。所以面试官问“怎么评…

#RAG#解析与入库#RAG 文档解析评估

项目实战·RAG

RAG 智能问答系统

匹配正文：公开教学项目：从文档解析、检索重排到引用与评测这是公开化教学案例。文中的场景与指标用于理解项目实现；简历应填写自己实际完成的工作与测量结果。从文档解析、检索重排到引用与评测的公开教学项目配套代码与运行环境配套代码：rag-from-zero。先区分零依赖演练和完整模型链路：前者用玩具/模拟组件检查逻辑，后者还需要本地模型、首次权重下载、有效LLM凭据与网络。通过冒烟测试不等于真实Embedding、重排和LLM生成已经跑通。建议为这版配套代码使用 Python 3.…

#项目实战#RAG 智能问答系统

项目实战·RAG

第 3 章:文档预处理与切分

匹配正文：…学完能让你讲清"为什么 demo 还不能直接用于生产"。 2.1 解析阶段的 4 大坑在切分之前,还有一步更靠前的"解析",把 PDF/Word/PPT/扫描件变成干净、带结构的文本。Part 1 里 PyPDFLoader 那一行就是在做这件事,但它只是入门级的。真实文档会用四种方式坑你。专业解析不是"读取文本",而是一条 pipeline:先搞清版面,再分类,再针对性处理: 文档解析 Pipeline:版面分析 → 元素分类 → 针对性解析 → 结构化输出坑 1:多…

#RAG#检索#项目实战

项目实战·RAG

第 1 章:为什么做 RAG?

匹配正文：…章的"为什么") 下面是为了讲清问题而构造的教学场景,不是作者或学员的客户经历。假设要做一套保险资料问答系统,资料里既有产品条款 PDF,也有培训 PPT、内部制度 Word 和录播视频字幕。如果第一版直接把"这款产品的现金价值怎么算"丢给通用大模型,模型可能给出一套读起来很专业、但在资料里找不到依据的公式。这正是大模型最危险的地方之一:没有依据时,它仍可能生成流畅而笃定的答案。在事实问答里,这样的输出必须被检索、引用和拒答机制约束。这件事用一张图就能说清:直接问模型…

#RAG#检索#项目实战

项目实战·RAG

第 2 章:RAG 整体架构

匹配正文：…G。先看一个教学用的"架构演进" 下面用一个虚构的保险资料问答场景拆解架构,不代表作者或学员的客户项目。假设知识库包含产品条款 PDF、培训 PPT 和录播视频字幕,最小版本常会遇到两类问题: 像「公司的报销制度是什么」这种流程型问题,答案明明白白躺在制度文档里,却因为只有几个关键词、纯向量检索抓不准; 像「怎么提升销售业绩」这种思考型问题,答案又零散分布在十几份培训材料里,召回的片段东一块西一块。再加上召回回来没重排、Embedding 还是通用的、不认"现金价值""退…

#RAG#检索#项目实战

面试题·RAG

RAG Chunk 为什么不能只按固定字数切？

匹配正文：…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。属于同一个段落 ID 或布局区域的碎片先合并，不能因为 PDF 换页就立即断开。第二步…

#RAG#切分与索引#RAG Chunk

求职指南·求职

大模型简历怎么写:项目怎么描述、怎么量化、怎么防追问

匹配正文：… 该写什么 RAG 智能问答系统示例 Deep Research Agent 示例工程维度架构/状态/工具/权限/监控/成本文档解析 → 分块 → bge 向量检索 + 重排两路召回,加检索失败兜底与查询改写,接入调用日志监控单次成本 ReAct 迭代循环 + 工具注册(搜索/抓取/计算),长程记忆做上下文压缩,关键工具调用加权限确认与 trace 回放业务维度场景/用户/数据源/约束/边界面向某垂直领域内部文档问答,数据源是几百篇 PDF/网页,约束是必须给引用…

#求职#职业转型

面试题·RAG

RAG 引用怎么做到可核验？为什么让模型自己标来源不够？

匹配正文：…句话需要两段证据时，引用怎样表示？文档更新和重新切分后，旧引用还能不能打开？引用为什么不是生成阶段临时加一下？引用链的起点在文档解析，而不是 Prompt。 PDF 在解析时不能只抽出一串纯文本。文字框、页面布局、表格和图片等内容经过处理后，还要保留页面与位置信息。Chunk 进入索引时，应该能回答它来自哪个文档、哪一页、哪个章节，以及原文在页面上的位置。这些 metadata 有不同职责。 doc_id 和 chunk_id 用来稳定识别内容。kb_id 用来限制搜…

#RAG#生成与对话#RAG 引用溯源

面试题·文档处理· 字节

医疗法律文档切块

匹配正文：…mbedding相似度检测主题边界块内语义一致、检索精度高计算成本高、边界可能漂移长论述性文本、医学综述结构感知切块解析PDF/DOC的标题、章节、条款编号完全保留文档逻辑结构、支持精确引用溯源依赖文档解析质量（如OCR、版式分析）法律合同、病历、监管文件智能体切块（Agentic） LLM先读全文，按主题/事件主动划分最贴合人类理解、可提取跨段落关联成本高、延迟大、需设计prompt 超高价值文档、需要深度推理的场景医疗/法律领域的实践要点 1. 优…

#字节#医疗法律文档切块#医疗和法律文档怎么切块？结构、语义与引用边界

面试题·文档处理· 百度

常用分块方法有哪些?

匹配正文：…义边界，检索相关性高缺点：计算成本高，需预设相似度阈值适用：高质量问答系统、对精准度要求高的场景 4. 文档结构感知分块利用PDF的标题、章节、表格等元信息，按逻辑单元切分优点：块与业务语义对齐，检索结果可直接用于生成缺点：依赖文档解析质量，需针对不同格式定制适用：合同、论文、报告等结构化文档工程实践建议多数场景应先比较结构分块、递归分块与不同重叠窗口，用同一评测集权衡效果与成本块大小候选由Embedding输入限制、文档结构、查询类型和LLM上下文预算共同…

#百度#文本分块策略#RAG chunking

面试题·文档处理· 安克科技

RAG向量化流程：预处理到归一化

匹配正文：… 归一化的作用（余弦相似度计算）实际工程中的注意事项（并发、缓存、版本管理）文本预处理核心目标：保留语义完整性，控制块大小文档解析：PDF用PyMuPDF/MinerU，HTML去标签，表格保留结构分块策略：按语义段落切分，并比较多组 chunk size 与 overlap 候选，用同一评测集验证边界召回和成本清洗降噪：去页眉页脚、统一编码、过滤低信息密度内容元数据绑定：保留标题层级、来源URL、时间戳，用于过滤和重排序嵌入模型选择选型三要素：维度考量…

#安克科技#RAG 向量化流程#Embedding 模型选择

面试题·文档处理· 安克科技

RAG 文档怎么存储和向量化?

匹配正文：…、IVF、HNSW）与选型场景完整数据流：解析→清洗→分块→向量化→元数据关联→入库完整流程：原始文本 → 向量数据库 1. 文档解析与预处理格式兼容：PDF/Word/Markdown/网页等统一解析，处理乱码、特殊符号结构保留：提取标题层级、段落边界，为语义分块提供依据清洗降噪：去除页眉页脚、重复内容、无效HTML标签 2. 分块（Chunking）策略策略适用场景关键参数固定长度通用场景，实现简单 chunk_size与overlap都作为候选变量，…

#安克科技#评估与监控#RAG 文档向量化

面试题·模型微调· 商汤科技

RAG 技术流程怎么跑?

匹配正文：…块策略、重排序、混合检索）能对比RAG与微调的区别和适用场景 RAG核心流程：索引 → 检索 → 生成 1. 索引阶段（离线）文档解析：处理PDF、Word、网页等多格式文档文本分块（Chunking）：按固定长度、语义段落或递归方式切分，控制块大小（通常256-512 tokens）向量化：用Embedding模型（如BGE、M3E、OpenAI text-embedding-3）将文本转为稠密向量存储：写入向量数据库（Milvus、Faiss、Pinecone等…

#商汤科技#检索生成流程#RAG 技术流程

面试题·模型微调· 字节

领域RAG应用链路怎么搭?

匹配正文：答案要点领域数据清洗与结构化（非结构化文档解析、表格/图表处理、领域术语标准化） Embedding模型选型与微调（通用vs领域模型、对比学习微调）检索架构设计（多路召回、重排序、查询改写）生成环节优化（Prompt工程、上下文压缩、引用溯源）端到端评估体系（检索准确率、生成忠实度、领域专家评估）一、数据准备：领域知识工程化文档解析与结构化非结构化：PDF/Word用Unstructured/MinerU解析，保留标题层级、表格结构多模态：医疗影像报告需OCR…

#字节#领域 RAG#RAG应用搭建

面试题·模型微调· 字节

RAG 检索与生成流程详解

匹配正文：答案要点离线知识库构建流程（文档解析、分块、向量化、索引存储）在线检索生成流程（Query改写、向量检索、重排序、上下文融合） RAG vs 微调的选择权衡典型应用场景举例典型实现方式离线阶段：知识库构建文档解析：处理PDF/Word/网页等多格式，提取结构化文本文本分块：按语义或固定长度切分，通常256-512 tokens，保留段落边界向量化：用Embedding模型（如BGE、M3E）将chunk转为向量索引存储：存入向量数据库（Milvus、Fais…

#字节#检索生成流程#RAG 实现

面试题·RAG

RAG 完整流程分几步？

匹配正文：…索相关内容、交给大模型生成答案的完整链路，通常分为解析、分块、向量化、检索、生成五步。前三步离线完成，后两步在线执行。五步详解文档解析：把 PDF、Word、网页等各种格式的原始文档，转换成干净的纯文本。作用是“去壳取肉”——去掉页眉页脚、乱码、排版噪声，只留下有用内容。解析得脏，后面全部遭殃。分块（Chunking）：把长文本切成一段段大小合适的“知识块”。因为检索是按块进行的，块的边界决定了模型将来“看到”的资料长什么样。常按段落、标题层级切，并让相邻块有少量重叠，…

#入门#基础概念#RAG流程

面试题·知识图谱· 字节

RAG 技术原理和实现流程

匹配正文：…eration)，用外部知识库动态增强LLM，解决知识时效性和幻觉问题，无需重新训练模型。三阶段实现流程 1. 离线知识库构建文档解析：PDF/Word/网页 → 文本块（Chunking，控制256-512 tokens）向量化：Embedding模型（如BGE、M3E）将文本转为稠密向量索引存储：写入向量数据库（Milvus/Pinecone/Elasticsearch） 2. 在线检索 Query向量化：用户问题同样编码为向量相似度搜索：ANN近似最近邻算法（…

#字节#检索生成流程#RAG 技术原理

面试题·多模态· 淘天

多模态 RAG 实现方案

匹配正文：主流多模态RAG框架对比框架核心多模态能力特色 LlamaIndex 原生支持图像、PDF、表格解析数据连接器丰富，MultiModalVectorStoreIndex LangChain 通过Unstructured/Multimodal Embeddings扩展生态灵活，需自行组装多模态链路 Vercel AI SDK / RAGFlow 端到端多模态文档解析侧重工程化落地核心组件拆解 1. 多模态编码器图像：CLIP、OpenAI CLIP、国产Chin…

#淘天#多模态#多模态 RAG 实现方案

面试题·检索· AIlab

RAG 流程各环节优化陷阱

匹配正文：…化等）能区分不同优化手段的适用场景和收益体现对实际落地问题的理解（如多轮对话、长尾查询） RAG核心流程 1. 索引构建阶段文档解析（PDF/Word/网页等格式处理）文本分块（Chunking）向量化（Embedding）存储到向量数据库 2. 检索阶段查询向量化相似度检索（Top-K召回）可选：重排序（Rerank） 3. 生成阶段上下文拼接（Prompt构造） LLM生成回答各环节优化手段环节优化手段关键收益文档解析布局识别（如PDF转M…

#AIlab#RAG链路优化#RAG 优化