做 RAG（检索增强生成）知识库，很多人第一步就踩坑了——直接把 PDF 拖进去提取文本，然后切块、向量化、检索。结果大模型回答总是不对，原因不在向量检索，也不在大模型，而在最前面的文档解析环节。这篇拆一下 RAG 里文档解析到底要做什么，为什么传统 OCR 不够用。
一、RAG 的完整链路
先把 RAG 流程摆出来，看文档解析在哪一环：
原始文档（PDF/Word/扫描件）
│
▼
文档解析与结构化处理 ← 这一环最容易被忽略
│
▼
文档切块（Chunking）
│
▼
向量化（Embedding）
│
▼
存入向量数据库
│
▼
用户提问 → 向量召回 → Prompt 拼接 → LLM 生成答案
后面几步（向量化、召回、Prompt）大家都很重视，但第一步文档解析如果做不好，喂给大模型的就是一堆残缺、错位、格式混乱的文本，后面再怎么调参也救不回来。
二、传统文档解析的三个问题
问题1：OCR 只能提取文字，丢失版面结构。
扫描版 PDF 用传统 OCR 识别出来的是一整页纯文本，标题和正文混在一起，表格被拆成一行行零散文字，图片旁边的注释和正文混为一谈。RAG 切块的时候不知道哪里是标题、哪里是正文、哪里是表格，切出来的 Chunk 语义不完整。
问题2：电子解析和 OCR 各有短板。
- 电子版 PDF/Word：文字能直接复制，但表格结构、图文混排、页眉页脚这些版面信息丢了
- 扫描件 OCR：能识别文字，但准确率受图片质量影响，而且完全丢失结构
实际文档往往是混合的——既有电子版内容，又有扫描插入的图片、盖章、手写批注。单一方式解析效果都不好。
问题3：切块丢失语义边界。
传统按固定长度切块（比如每 500 字切一块），很容易把一个完整的段落从中间切断，或者把标题和它下面的正文分到两个 Chunk 里。这样检索出来的 Chunk 上下文不完整，大模型看到的就是半句话。
三、文档智能是怎么解决的
文档智能（Document Mind）这类方案的核心改进是：不只是提取文字，而是理解文档的版面结构。
1. 电子解析 + OCR/NLP 混合处理
针对不同类型的内容自动选择解析方式：
- 电子版文字层 → 直接提取，准确率高
- 扫描图片区域 → OCR 识别
- 表格区域 → 表格结构识别，输出行列关系
- 图片区域 → 标注位置和类型
混合处理的好处是各取所长：电子版文字准确，OCR 补全扫描件，表格单独处理不被拆碎。
2. 输出结构化 Markdown/JSON
解析结果不是一堆纯文本，而是带层级的结构化数据：
{
"type": "title",
"text": "第一章 系统架构",
"level": 1,
"page": 3,
"children": [...]
}
包含：
- 层级树结构（一级标题、二级标题、段落、列表）
- 表格的行列结构
- 图片位置和说明
- 页码、批注等元信息
这样下游 RAG 就能按文档的自然语义切块——在标题处切、在段落边界切，而不是机械地按字数切。
3. 版面理解模型（GeoLayoutLM）
这是底层技术模型，专门学习文档的版面布局：哪些是标题、哪些是正文、哪些是表格、哪些是图注。它不是简单 OCR，而是"看懂"页面的排版结构。
四、对 RAG 效果的实际影响
文档解析质量直接决定了 RAG 的上限：
| 解析质量差 | 解析质量好 |
|---|---|
| 表格被拆碎，检索出来是零散数字 | 表格作为整体 Chunk，完整召回 |
| 标题和正文分到不同 Chunk | 标题+正文作为一个 Chunk，上下文完整 |
| 页眉页脚混进正文，污染检索结果 | 过滤掉非正文内容，只保留有效信息 |
| 扫描件识别错字，向量召回不准 | OCR+NLP 混合修正，文本准确率高 |
简单说：文档解析做得好，RAG 回答准确率能提升一个档次；做得差，后面再怎么优化向量数据库和 Prompt 都是事倍功半。
五、实操建议
如果你在做 RAG 项目，文档解析环节建议这样做：
- 先看你的文档类型：纯电子版 PDF 可以直接用文本提取；扫描件、图文混排的文档必须用文档智能/OCR 方案
- 不要按固定字数切块：按文档结构切——标题、段落、表格作为一个整体 Chunk
- 保留元信息：每个 Chunk 带上它属于哪个章节、哪一页，召回时可以做过滤
- 过滤噪音：页眉、页脚、水印、页码这些非正文内容要在解析阶段就去掉
- 先验证解析效果再搭后面：拿 10 个典型文档跑一遍解析，检查输出的 Markdown 结构对不对，再做向量化和检索
六、写在最后
RAG 不是"把文档塞进向量数据库"就完事了。文档解析是整个链路的地基，地基歪了，后面盖什么都歪。理解了文档版面结构的重要性，你就知道为什么有些 RAG 项目效果差——问题往往不在大模型，而在第一步的数据处理。
完整的文档智能 + RAG 技术方案可以看官方方案页——查看文档智能与 RAG 构建 LLM 知识库方案。具体能力以页面实际展示为准。
你做 RAG 时文档解析用的什么方案？踩过什么坑？评论区交流。
