作者：拿一份真实的文档开刀：某客户的售后手册，六十页扫描版，夹着三张跨页大表、五张流程图，页眉页脚全是水印。工程师把它原样丢进知识库，结果客户问“保修期多久”，AI答得驴唇不对马嘴。问题就出在：非结构化文档喂给AI之前，解析这一关绕不过去——大模型读到的不是那份PDF本身，而是解析工具吐出来的一串文本，文本质量差一截，答案就差十万八千里。
为什么“直接塞进去”行不通
文字版的PDF和Word还好办，文本就在文件里，抽出来清洗一下就能用。麻烦的是扫描件：它本质是一张张图片，上面没有一个字符是机器可读的，必须先过OCR。OCR认出来的文字是流水账——双栏排版会被拦腰截断串了行，页眉页脚的水印混进正文，表格被拆成一行行支离破碎的数字。把这些原始文本直接入库，AI检索到的就是一堆被搅碎的语料，答不准是必然的，而且错得没有规律。OCR的错字还特别隐蔽：“退货”认成“退负”、“3000”认成“3OO0”，人眼扫一遍未必看得出来，AI却把它当真话学走了。判断一份文档解析得行不行，把OCR结果和原件抽样对比，错字率高于百分之一的，后面全流程都别想稳。
四类文档，四种处理方式
真正做过项目的人，会先给文档分类，再决定处理手段。下表是我们实践中的默认策略，可以直接参考。
| 文档类型 | 常见的坑 | 处理方式 |
|---|---|---|
| 文字版PDF、Word | 页眉页脚、水印噪音 | 直接抽取文本，清洗后切分 |
| 扫描件 | 无文本层，版面被打乱 | OCR加版面还原，关键页人工校对 |
| 表格类 | 跨页断行、合并单元格 | 表格结构重建，转成Markdown或结构化数据 |
| 图片、流程图 | 信息全在图里 | 多模态模型生成文字描述，或人工补写说明 |
流程图尤其是被遗忘的角落：安装步骤画在图里，没人转成文字，客户问到这一块，AI只能沉默或者瞎猜。
扫描件的OCR接口现在按页计费，千页几十到几百元（以2026年市场行情为参考），钱不是门槛，校对才是工作量所在。
表格单独立一段，因为它最容易出事
表格是文档解析里最难啃的部分。跨页的大表，上下两半被切成两份独立文档，谁也不认识谁；合并单元格还原错了，整列数据跟着错位。偏偏企业里最要命的文档全是表格：报价单、规格参数、财务对账。这类文档解析完必须抽验——对照原件核几个关键数字，错一个可能就是一起报价事故。我们碰过一个真实案例：报价单的跨页表解析后行错了一位，A产品的价格挂到了B产品头上，幸好上线前抽验对了出来，那单要是发给了客户，就不是返工能解决的了。表格识别这两年进步很快，但“很快”的意思是从八成错到八成对，剩下的两成恰好还在要命的领域里。我们的原则是：正文错了影响体验，表格错了造成损失，校对预算优先给表格。
解析之后，还有两步别省
一是清洗：去掉水印、页眉页脚、乱码和重复内容，把OCR认错的字修掉，尤其是数字、型号、金额这些错不得的字段。抽验比例按文档的重要程度定：普通资料抽一成就够，报价、合同这类金额相关的，逐页对。二是切分：按语义边界切，一段话说一个完整意思，别按固定字数硬切。解析决定上限，切分决定下限，两步的质量都够高，后面检索和生成才有得发挥。切分完最好再做一轮小规模试问：拿二十个真实问题打一遍，看检出来的段落是不是人期望的那段——比任何自动化指标都直观。这一整套在企业知识库方案里属于文档治理模块，是所有AI知识库项目的前置工程，跳过它的项目后来都回来补了课。
把你们手里最难啃的那份文档挑出来发给我们试试（电话 18616880101），扫描件、老表格都行——解析出来是什么样当场看，比听任何介绍都直观。