PDF、表格、扫描件这类文档，RAG 的解析链路怎么设计？
面试怎么回答
我会按文档类型分流：Word、网页、Markdown 直接解析，原生 PDF 做版面分析，扫描件走 OCR。版面分析识别标题、正文、表格、图片和阅读顺序，复杂页面可以用多模态模型或文档解析模型。表格单独处理成 Markdown 或 HTML 保留行列，按行切分时每块带表头；图表用多模态模型生成描述；输出保留标题层级，切分时按章节并把章节路径作为元数据；清洗页眉页脚和目录。解析按 ETL 来管：记录解析器版本、页数、字符数，检测空内容和乱码，抽样人工检查，升级解析器时对比新旧结果。成本上先用便宜方式，只对复杂页面用高成本解析。
先把这段讲顺；面试官追问时，再展开下面的原理和细节。
详细讲解
RAG 效果的上限，往往在第一步就决定了：文档解析。企业里的文档五花八门——带表格的 PDF、扫描的合同、PPT、Excel、网页、Word。解析出来的文本乱了，后面的切分和检索做得再好也没用。面试官问这题，想看你是否有处理非结构化数据的工程经验。
常见的解析难点
- PDF 版式：多栏排版读出来顺序错乱；页眉页脚、页码混进正文；
- 表格：解析成一串文字后，行列关系丢失，「哪个数属于哪一行哪一列」无法判断；
- 扫描件和图片：需要 OCR，存在识别错误；
- 图表：柱状图、流程图里的信息纯文本提取不到；
- 结构信息丢失：标题层级、列表、章节关系没了，Chunk 不知道自己属于哪一章。
解析链路的设计
- 按类型分流：Word、网页、Markdown 这类结构化程度高的直接解析；原生 PDF 用版面分析工具；扫描件走 OCR；
- 版面分析：识别标题、正文、表格、图片、页眉页脚的区域和阅读顺序。现在也可以用多模态模型或专门的文档解析模型来做，效果比传统规则好，但成本更高；
- 表格单独处理：转换成 Markdown 或 HTML 表格保留行列结构；大表格按行切分时每块都带上表头；
- 图片和图表：用多模态模型生成描述文字，和图片一起存储；
- 保留结构：输出带标题层级的文本（比如 Markdown），切分时可以按章节切，并把章节路径作为元数据；
- 清洗：去掉页眉页脚、重复的免责声明、目录页。
质量控制
解析是 ETL，要按 ETL 的方式管：
- 每份文档记录解析状态、使用的解析器和版本、页数、提取的字符数；
- 异常检测：字符数为 0 或极少（可能是扫描件没 OCR）、乱码比例高、表格数量异常；
- 抽样人工检查解析结果，特别是重要文档；
- 解析器升级后，对样本集对比新旧结果，必要时重新解析存量文档。
成本取舍
用多模态大模型解析每一页效果最好，但百万页级别的成本很高。常见做法是：先用便宜的方式解析，对检测出的复杂页面（表格多、图多、扫描件）再用高成本方式处理。