AI 问答库
一句话回答
能处理，但必须按文档类型分开做，不能指望全丢进去就有效果。扫描件要先过 OCR，版式复杂的还要做版面分析才能还原正确的阅读顺序；合并单元格、多级表头的表格如果按普通文本切分，几乎必错，要单独抽成结构化数据再入库。真正的成本在预处理管线和人工抽检，不在模型本身 —— 原件质量差时，先治理文档比换模型划算得多。
下表按「企业知识库入库」这一用途整理，难度一栏是相对判断而非绝对指标 —— 同样是扫描件，300 dpi 的合同扫描和手机拍歪的翻拍件差别极大。实践中的顺序应该是：先统计你的文档里各类型占比，把占比最高的那一两类做扎实，而不是一开始就追求全覆盖。
| 文档类型 | 主要难点 | 可行做法 | 落地难度 |
|---|---|---|---|
| 电子版 PDF / Word / 网页 | 基本没有识别问题，主要是切分粒度 | 按标题层级切分，保留章节路径作为元数据 | 低，成熟工具即可 |
| 清晰扫描件（300 dpi 以上、印刷体） | 字符识别可靠，但阅读顺序需要还原 | OCR + 版面分析，双栏与页眉页脚单独处理 | 中，需要抽检校正 |
| 低质扫描件（手写、印章遮挡、倾斜翻拍） | 识别错误率高且不稳定，错在哪不可预测 | 只抽取关键字段并强制人工复核，不做全文入库 | 高，常常人工录入更划算 |
| 复杂表格（合并单元格、多级表头、跨页） | 文本化后行列对应关系丢失，数字全部错位 | 单独走表格识别，转成结构化数据入库，问答时走查询而非检索 | 高，且必须逐表验收 |
| 图纸、流程图、示意图 | 语义在图形关系里，文本化会丢掉大部分信息 | 用多模态模型生成结构化描述并入库，原图保留供人查阅 | 高，准确性依赖人工确认 |
普通文本切分默认「相邻的字属于同一句话」，而表格的语义是二维的 —— 一个数字的含义由它所在的行标签和列标签共同决定。一旦拉平成一行行文本，这层对应关系就没了，模型看到的是一堆孤立数字，它会按最近的词猜标签，于是「2025 年第三季度华东区销量」被答成了华南区的数字，而且答得很有信心。跨页续表更麻烦：第二页往往没有表头，拉平之后完全无法判断这些数字属于哪一列。可行的做法是把表格单独抽出来，转成结构化数据（比如数据库表或带完整表头的 JSON），问答时不走向量检索而走结构化查询；或者退一步，为每个表格生成一段带完整上下文的自然语言摘要再入库，牺牲精度换取覆盖。
解析管线跑完之后，随机抽一批文档，把「原件」和「解析结果」并排放给业务同事看，让他们标出哪里错了。这一步经常被跳过，因为看起来很土，但它是唯一能发现系统性错误的办法 —— 比如所有带印章的合同金额都少识别了一位、所有跨页表格的第二页都归错了表。抽检要按文档类型分层，每类至少几十份，而不是从全量里随机抽（否则占比小但重要的类型永远抽不到）。发现的错误要分类：是识别错、顺序错，还是切分错？三类的修法完全不同。最后把这批标注过的文档固化成回归集，之后每次调整管线都重跑一遍，否则你不知道这次改动修好了一个问题还是同时弄坏了两个。
适用边界
同义问法