RAG 里的 PDF、图片和表格怎么处理？OCR 后就够了吗？
OCR 提取字符，不一定恢复阅读顺序、表格关系和图片含义。RAG 建库应按文档类型解析，保留页码、位置、标题与原始资源；否则后续检索再准确，也只能使用已经损坏的证据。
表格不能只剩一串数字
Section titled “表格不能只剩一串数字”教学例：表格中的“200”必须同时保留列名“报销上限”、单位和适用行。大表可以按行分段，但每段带表头、条件和表格 ID；需要求和或精确筛选时，可以把表格放进结构化查询系统，检索只负责找到这张表。
图表可保存图像、图注及经过核对的描述；用户问题依赖曲线、布局或箭头时，再读取原图。多模态模型生成的解释也可能出错，不应直接当作原始事实。
如何验收解析质量？
Section titled “如何验收解析质量？”检查阅读顺序、跨页表格、单位、脚注和引用回跳，抽样比较原页与产物。把解析错误与召回错误分开统计。原始字符缺失，改 top-k 或 Rerank 都无法补回。
资料
核对于 2026-10-14。Docling 技术报告、阿里云百炼知识检索。表格保存及验收方案为本站工程示例。