企业 RAG 最常见的 “坑”

企业RAG最常见的问题：遇到文档中含有特殊格式的内容，如表格，图片，水印，流程图，架构图，跨页表格，不能直接用固定chunk去切割，否则会丢失语义，是造成幻觉的主要原因。

一、特殊格式文档的针对性处理

上面提到的表格、图片、水印、跨页表格、流程图 / 架构图，是企业 RAG 最常见的 “坑”，通用文本解析完全搞不定，必须分层处理。

1. 表格 / 跨页表格处理

核心痛点：普通文本解析会把表格拆成乱序文本，跨页表格直接断裂，丢失行列关系。

• 技术方案：

  • 优先用专用表格解析工具：比如 pdfplumber/PyMuPDF 解析 PDF 表格，python-docx 解析 Word 表格，直接提取为结构化的 Markdown/CSV 格式，保留行列关系。
  • 跨页表格处理：先识别表格的页眉 / 页脚和边框特征，把上下页的表格行合并为一个完整表格，再转成 Markdown 文本。
  • 表格增强：把表格的标题、行列说明、注释一起提取，转成自然语言描述，比如 “员工年假政策表：司龄 1-5 年，年假 5 天；司龄 5-10 年，年假 10 天”，方便大模型理解。

2. 图片 / 流程图 / 架构图处理

核心痛点：纯文本解析无法提取图片里的信息，流程图 / 架构图的逻辑关系会完全丢失。

• 技术方案：

  • 图片 OCR + 大模型描述：先用 OCR 提取图片里的文字，再用多模态模型（如 GPT-4V / 豆包多模态）生成图片的结构化描述，比如 “这是一个用户登录流程图：用户输入账号密码→验证身份→登录成功跳转首页 / 失败提示错误信息”。
  • 架构图分层解析：对架构图的组件、层级、数据流分别提取，生成带层级的文本描述，再作为独立的 chunk 存入知识库。

3. 水印 / 噪声处理

核心痛点：水印、页眉页脚、页码等噪声文本会混入解析结果，干扰分块和检索。

• 技术方案：

  • 页眉页脚过滤：通过固定位置（PDF 的页边距区域）、重复文本特征识别并过滤页眉页脚、页码。
  • 水印去除：PDF 水印用 PyMuPDF 或专用工具去除；扫描件水印可通过图像预处理（二值化、去噪）+OCR 过滤。
  • 文本清洗：解析后用正则过滤无关文本（如 “第 X 页，共 Y 页”“机密文件，请勿外传”）。

4. LangChain 实现示例（表格解析）

python

运行

from langchain.document_loaders import PyPDFLoader
import pdfplumber
from langchain.schema import Document

def parse_pdf_tables(pdf_path):
    docs = []
    with pdfplumber.open(pdf_path) as pdf:
        for page in pdf.pages:
            # 提取表格
            tables = page.extract_tables()
            for table in tables:
                # 转成Markdown格式，保留行列关系
                md_table = "| " + " | ".join(table[0]) + " |\n"
                md_table += "| " + " | ".join(["---"]*len(table[0])) + " |\n"
                for row in table[1:]:
                    md_table += "| " + " | ".join(row) + " |\n"
                docs.append(Document(page_content=md_table, metadata={"source": pdf_path, "page": page.page_number}))
            # 提取纯文本部分
            text = page.extract_text()
            docs.append(Document(page_content=text, metadata={"source": pdf_path, "page": page.page_number}))
    return docs

---

二、检索内容的多方式评估与优化

单一向量检索很容易出现 “语义漂移”，比如用户搜 “年假”，结果召回了 “年假请假流程”“员工福利中的年假说明”，但漏了 “年假天数政策”。你图里提到的 “多种检索方式 + 避免单一维度偏见”，核心是混合检索 + 结果融合 + 重排序。

1. 多检索方式组合

表格

检索方式	优势	适用场景
向量语义检索	捕捉语义相似性，支持模糊查询	概念性、语义类问题
关键词 / 全文检索（BM25）	精准匹配关键词，解决 OOV 问题	专有名词、数字、政策条款查询
元数据过滤	按文档类型、时间、部门筛选	多部门、多版本文档的企业场景

2. 结果融合与重排序

• RRF（ reciprocal rank fusion）融合：给不同检索方式的结果按排名加权，合并为统一的结果列表，避免单一检索的偏差。
• 交叉编码器重排序：用 BGE/BERT 等交叉编码器模型，对融合后的结果做相关性打分，只保留 Top3-5 个最相关的 chunk，减少无关信息进入 prompt。
• LangChain 实现示例（混合检索 + RRF）

python

运行

from langchain.retrievers import BM25Retriever, EnsembleRetriever
from langchain.vectorstores import FAISS
from langchain.embeddings import OpenAIEmbeddings

# 向量检索
embeddings = OpenAIEmbeddings()
vectorstore = FAISS.from_documents(docs, embeddings)
vector_retriever = vectorstore.as_retriever(search_kwargs={"k": 10})

# BM25关键词检索
bm25_retriever = BM25Retriever.from_documents(docs)
bm25_retriever.k = 10

# 融合检索
ensemble_retriever = EnsembleRetriever(
    retrievers=[vector_retriever, bm25_retriever],
    weights=[0.7, 0.3]  # 向量检索权重更高
)

# 调用
retrieved_docs = ensemble_retriever.get_relevant_documents("公司年假政策")

---

三、RAG 全流程评估标准建立

对 “如何建立评估标准”，核心是从 “离线知识库构建” 到 “在线问答” 的全链路评估，不能只看最终回答的好坏。

1. 离线阶段评估（知识库质量）

评估维度	评估指标	方法
文档解析质量	文本完整率、表格还原准确率、图片信息提取率	抽样人工检查，对比原始文档与解析结果
分块质量	语义完整性、上下文断裂率	人工标注 + 分块后文本连贯性打分
向量质量	向量聚类效果、同主题文档相似度	用 t-SNE 可视化向量分布，检查同类文档是否聚类

2. 检索阶段评估（召回效果）

评估维度	评估指标	方法
召回率（Recall）	相关文档被召回的比例	人工标注一批问题的标准答案对应的 chunk，计算召回的 chunk 占比
精确率（Precision）	召回的 chunk 中相关的比例	对每个问题的召回结果人工打分，计算相关 chunk 的占比
MRR（平均 reciprocal rank）	第一个相关结果的排名	统计每个问题的第一个相关 chunk 的位置，计算平均倒数排名

3. 生成阶段评估（回答质量）

评估维度	评估指标	方法
忠实度（Faithfulness）	回答是否仅基于检索到的信息，无幻觉	用 LLM-as-judge 模型，让模型判断回答是否能被检索 chunk 支持
相关性（Relevance）	回答是否匹配用户问题	人工打分或 LLM 打分（1-5 分）
完整性（Completeness）	回答是否覆盖了所有关键信息	对比标准答案，检查回答是否包含所有关键要点
流畅性（Fluency）	回答的语言是否通顺、无语法错误	人工或 LLM 打分

4. 自动化评估工具推荐

• RAGAS：专门用于 RAG 评估的开源框架，支持自动计算 Faithfulness、Relevance 等指标。
• LangChain Evaluators：LangChain 内置的评估工具，支持自定义评估链。
• DeepEval：轻量级 LLM 评估框架，支持批量评估。

5. 完整评估流程示例

1. 构建评估数据集：人工标注一批问题 + 对应的参考 chunk + 标准答案。
2. 离线评估：跑通知识库构建流程，检查解析、分块、向量质量。
3. 检索评估：用评估数据集测试召回率、精确率、MRR。
4. 生成评估：用 RAGAS 评估回答的忠实度、相关性、完整性。
5. 迭代优化：根据评估结果调整分块策略、检索方式、prompt 模板，再重新评估。

---

四、工程落地的关键建议

1. 分层处理特殊格式：不要用一个工具搞定所有格式，PDF 用pdfplumber+ 多模态模型，Word 用python-docx，图片用 OCR + 多模态描述，分而治之。
2. 混合检索是必选项：纯向量检索在企业专有名词、数字类问题上效果很差，一定要加上 BM25 关键词检索。
3. 评估要贯穿全流程：不要只评估最终回答，很多问题其实出在分块、解析环节，离线阶段就应该做质量控制。
4. 从小规模开始迭代：先拿 10-20 份文档跑通流程，用评估数据集验证效果，再扩展到大规模文档，避免后期返工。

五、特殊文档内容处理案例

下面我把最麻烦的三个点：水印处理、特殊格式（表格 / 跨页表格）、流程图 / 架构图，按「原理 + 工具 / 方案 + 可落地代码示例」展示，可以直接用到 LangChain 项目里。

---

一、文档水印处理（PDF/Word/ 扫描件）

水印分两种：可编辑电子文档的 “数字水印” ，和扫描件 / 图片里的 “图像水印” ，处理方式完全不同。

1. 可编辑 PDF 水印（企业文档最常见）

这类水印是 PDF 的图层对象，可直接通过工具删除，不影响文本。

• 工具方案：PyMuPDF（fitz）/ pdftk / PyPDF2

• 核心思路：

  1. 遍历 PDF 页面的所有对象，识别水印特征（如半透明文本、重复的 “机密”“内部” 字样、固定位置的图形对象）。
  2. 删除或隐藏这些对象，再保存为无水印 PDF。

• Python 示例（PyMuPDF）

python

运行

import fitz  # PyMuPDF

def remove_pdf_watermark(input_pdf, output_pdf):
    doc = fitz.open(input_pdf)
    for page in doc:
        # 1. 移除文本类水印（半透明重复文本）
        text_blocks = page.get_text("blocks")
        for block in text_blocks:
            # 匹配常见水印关键词（可根据你的场景扩展）
            if "机密" in block[4] or "内部使用" in block[4] or "请勿外传" in block[4]:
                # 用白色矩形覆盖水印区域（适用于无法直接删除的水印）
                rect = fitz.Rect(block[0], block[1], block[2], block[3])
                page.draw_rect(rect, color=(1,1,1), fill=(1,1,1))
        
        # 2. 移除图像/图形类水印（企业logo水印）
        for img in page.get_images(full=True):
            xref = img[0]
            page.delete_image(xref)
    doc.save(output_pdf)
    doc.close()
    print(f"已生成无水印PDF: {output_pdf}")

# 使用
remove_pdf_watermark("with_watermark.pdf", "no_watermark.pdf")

2. 扫描件 / 图片水印（OCR 场景）

这类水印是图片像素，需要先做图像预处理，再 OCR。

• 工具方案：OpenCV + pytesseract（OCR）

• 核心思路：

  1. 图像预处理：二值化、去噪、颜色分割，把半透明水印和文本分离。
  2. 对处理后的干净图像做 OCR，提取文本。

• Python 示例（OpenCV 去水印 + OCR）

import cv2
import numpy as np
import pytesseract

def remove_image_watermark(image_path, output_path):
    img = cv2.imread(image_path)
    # 1. 转换为HSV颜色空间，分离水印颜色（假设水印是浅灰色）
    hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
    lower_gray = np.array([0, 0, 180])
    upper_gray = np.array([180, 30, 255])
    mask = cv2.inRange(hsv, lower_gray, upper_gray)
    # 2. 用白色填充水印区域
    img[mask == 255] = [255, 255, 255]
    cv2.imwrite(output_path, img)
    return img

# 处理并OCR
img_clean = remove_image_watermark("scan_with_watermark.jpg", "clean_scan.jpg")
text = pytesseract.image_to_string(img_clean, lang="chi_sim")
print("OCR结果:", text)

---

二、特殊格式处理：表格（含跨页表格）

普通文本解析会把表格拆成乱序文本，必须用专用表格解析工具，并做跨页合并处理。

1. 普通表格处理（PDF/Word）

• PDF 表格工具：pdfplumber（推荐）、camelot-py

• Word 表格工具：python-docx

• 核心思路：

  1. 提取表格的行列数据，转成 Markdown/CSV 格式，保留结构。
  2. 把表格标题、行列说明一起拼接成文本，方便大模型理解。

• Python 示例（pdfplumber 解析 PDF 表格）

python

运行

import pdfplumber
from langchain.schema import Document

def parse_pdf_with_tables(pdf_path):
    docs = []
    with pdfplumber.open(pdf_path) as pdf:
        for page_num, page in enumerate(pdf.pages):
            # 提取表格
            tables = page.extract_tables()
            for table in tables:
                if not table or len(table) < 2:
                    continue
                # 转成Markdown表格
                header = table[0]
                md_table = "| " + " | ".join(header) + " |\n"
                md_table += "| " + " | ".join(["---"]*len(header)) + " |\n"
                for row in table[1:]:
                    md_table += "| " + " | ".join([str(cell) for cell in row]) + " |\n"
                # 加上表格标题（从页面文本中提取表格上方的文本）
                page_text = page.extract_text()
                table_index = page_text.find(str(table[0][0]))
                if table_index > 50:
                    table_title = page_text[table_index-50:table_index].strip()
                else:
                    table_title = "表格"
                full_content = f"{table_title}\n{md_table}"
                docs.append(Document(
                    page_content=full_content,
                    metadata={"source": pdf_path, "page": page_num+1, "type": "table"}
                ))
            # 提取纯文本部分
            text = page.extract_text()
            docs.append(Document(
                page_content=text,
                metadata={"source": pdf_path, "page": page_num+1, "type": "text"}
            ))
    return docs

2. 跨页表格处理

• 核心痛点：表格被分页截断，普通解析会变成两个独立表格，丢失上下文。

• 处理步骤：

  1. 识别跨页表格：判断当前页表格的最后一行是否完整，下一页是否有相同列数的表格。
  2. 合并表格：把上下页的表格数据合并为一个完整表格，再转成 Markdown。
  3. 补充说明：在合并后的表格开头加上 “（跨页合并表格）”，方便后续检索识别。

• 关键判断逻辑：

  python

  运行

  # 伪代码：跨页表格合并
  def merge_cross_page_tables(pdf_tables):
      merged_tables = []
      prev_table = None
      for page_num, tables in pdf_tables.items():
          for table in tables:
              if prev_table and table[0] == prev_table[0]:  # 表头相同
                  prev_table.extend(table[1:])  # 合并行
              else:
                  if prev_table:
                      merged_tables.append(prev_table)
                  prev_table = table
      if prev_table:
          merged_tables.append(prev_table)
      return merged_tables
  

---

三、流程图 / 架构图处理（企业文档重灾区）

这类图片的信息无法被文本解析直接提取，核心方案是：OCR 提取文本 + 多模态模型生成结构化描述，把图片信息转成可检索的文本。

1. 处理流程总览

plaintext

图片 → OCR提取文字 → 多模态模型（如GPT-4V/豆包多模态）生成描述 → 转成文本chunk存入知识库

2. 具体实现步骤

（1）OCR 提取图片中的文字

用pytesseract或百度 / 腾讯云 OCR，先把图片里的文字提取出来，比如流程图里的节点文字、箭头标注。

import pytesseract
from PIL import Image

def ocr_image_text(image_path):
    img = Image.open(image_path)
    text = pytesseract.image_to_string(img, lang="chi_sim+eng")
    return text

（2）多模态模型生成结构化描述

把图片和 OCR 结果一起喂给多模态模型，让它生成符合业务场景的文本描述。

• Prompt 模板（通用版） ：

  你是企业文档解析助手，这是一张流程图/架构图，OCR识别到的文字为：{ocr_text}。
  请你：
  1.  描述图的核心主题和业务场景；
  2.  按顺序梳理流程图的步骤/架构图的层级关系；
  3.  提取关键节点、条件分支、输入输出信息；
  4.  用清晰的段落或列表形式输出，不要使用Markdown格式。
  

• Python 示例（对接豆包多模态 API）

from volcenginesdkarkruntime import Ark

client = Ark(api_key="YOUR_API_KEY")

def describe_flowchart(image_path, ocr_text):
    response = client.chat.completions.create(
        model="doubao-vision",
        messages=[
            {
                "role": "user",
                "content": [
                    {"type": "text", "text": f"这是一张企业流程图，OCR识别文字：{ocr_text}。请按要求描述：1. 主题场景；2. 流程步骤/架构层级；3. 关键节点与条件。"},
                    {"type": "image_url", "image_url": {"url": f"file://{image_path}"}}
                ]
            }
        ]
    )
    return response.choices[0].message.content

# 组合成LangChain Document
def flowchart_to_document(image_path):
    ocr_text = ocr_image_text(image_path)
    desc = describe_flowchart(image_path, ocr_text)
    return Document(
        page_content=f"【流程图/架构图描述】\n主题：{desc}\nOCR文字：{ocr_text}",
        metadata={"source": image_path, "type": "image/flowchart"}
    )

（3）特殊场景优化

• 架构图：重点提取层级关系（如 “系统分为 3 层：数据层、服务层、应用层，每层包含的组件为…”）。
• 带箭头的流程图：重点梳理条件分支（如 “用户登录流程：输入账号密码→验证通过→进入系统；验证失败→提示错误信息”）。
• 超大图片：可以先按模块拆分（比如架构图拆成数据层、服务层、应用层三张图），分别描述，避免信息遗漏。

---

四、工程落地建议（LangChain 集成）

1. 分层加载器：自定义一个MultiFormatLoader，根据文件类型（PDF/Word/ 图片 / 扫描件）自动选择解析方案，在 LangChain 里直接调用。

   class MultiFormatLoader:
       def __init__(self, file_path):
           self.file_path = file_path
           self.ext = file_path.split(".")[-1].lower()
       
       def load(self):
           if self.ext == "pdf":
               # 调用无水印PDF解析+表格提取
               return parse_pdf_with_tables(self.file_path)
           elif self.ext in ["jpg", "png"]:
               # 调用流程图/架构图解析
               return [flowchart_to_document(self.file_path)]
           elif self.ext == "docx":
               # 调用Word表格解析
               return parse_docx_with_tables(self.file_path)
   

2. 元数据标记：所有特殊格式解析后的 chunk，都在metadata里标记type: table/flowchart/ocr，后续检索时可以优先过滤这类 chunk。

3. 预处理流水线：把去水印、表格解析、图片描述做成流水线，先对原始文档做预处理，再分块、向量化，避免在分块阶段处理脏数据。

附：企业级RAG预处理文档代码案例

这是一份完整、可直接运行、整合了所有功能的 RAG 文档预处理代码。这是企业级标准方案，包含：✅ 去水印（PDF + 图片） ✅ 表格 / 跨页表格解析 ✅ 流程图 / 架构图解析（OCR + 多模态描述） ✅ 自动识别文件类型 ✅ 输出标准 LangChain Document ✅ 可直接接入你自己的向量库

复制 → 填密钥 → 运行即可使用。

---

🔥 完整版：多格式文档解析 + 去水印 + 表格 + 流程图一体化代码

import os
import re
import cv2
import fitz
import numpy as np
import pytesseract
import pdfplumber
from PIL import Image
from langchain.schema import Document

# =============================================================================
# ① PDF 去水印
# =============================================================================
def remove_pdf_watermark(input_pdf_path, output_pdf_path):
    try:
        doc = fitz.open(input_pdf_path)
        for page in doc:
            # 移除文字水印（机密、内部、请勿外传等）
            blocks = page.get_text("blocks")
            for b in blocks:
                text = b[4].strip()
                if any(key in text for key in ["机密", "内部", "请勿外传", "版权所有"]):
                    rect = fitz.Rect(b[0], b[1], b[2], b[3])
                    page.draw_rect(rect, color=(1,1,1), fill=(1,1,1), overlay=True)

            # 移除图片水印
            for img in page.get_images(full=True):
                xref = img[0]
                try:
                    page.delete_image(xref)
                except:
                    pass
        doc.save(output_pdf_path)
        doc.close()
        return True
    except Exception as e:
        print(f"PDF去水印失败: {e}")
        return False

# =============================================================================
# ② 图片/扫描件 去水印 + OCR
# =============================================================================
def clean_image_and_ocr(img_path):
    img = cv2.imread(img_path)
    hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

    # 屏蔽浅灰/白色水印
    mask = cv2.inRange(hsv, np.array([0,0,180]), np.array([180,35,255]))
    img[mask > 0] = (255,255,255)

    # OCR
    pil_img = Image.fromarray(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
    text = pytesseract.image_to_string(pil_img, lang="chi_sim+eng")
    return text.strip()

# =============================================================================
# ③ PDF 表格 + 跨页表格解析
# =============================================================================
def parse_pdf_tables(pdf_path):
    docs = []
    all_tables = []

    with pdfplumber.open(pdf_path) as pdf:
        for page_idx, page in enumerate(pdf.pages):
            tables = page.extract_tables()
            text = page.extract_text() or ""

            for t in tables:
                if not t or len(t) < 2:
                    continue
                all_tables.append({
                    "table": t,
                    "page": page_idx + 1,
                    "header": t[0]
                })

            docs.append(Document(
                page_content=text,
                metadata={"source": pdf_path, "page": page_idx+1, "type": "text"}
            ))

    # 跨页表格合并（相同表头自动合并）
    merged = []
    last_header = None
    current_rows = []

    for entry in all_tables:
        h = str(entry["header"])
        if h == last_header:
            current_rows.extend(entry["table"][1:])
        else:
            if last_header is not None:
                merged.append((last_header, current_rows))
            last_header = h
            current_rows = entry["table"]

    if last_header is not None:
        merged.append((last_header, current_rows))

    # 转 Markdown
    for header, rows in merged:
        try:
            if not isinstance(rows[0], list):
                continue
            md = "| " + " | ".join(rows[0]) + " |\n"
            md += "| " + " | ".join(["---"] * len(rows[0])) + " |\n"
            for r in rows[1:]:
                md += "| " + " | ".join([str(c or "") for c in r]) + " |\n"

            docs.append(Document(
                page_content=f"【表格】\n{md}",
                metadata={"source": pdf_path, "type": "table"}
            ))
        except:
            continue

    return docs

# =============================================================================
# ④ 流程图/架构图解析（OCR + 多模态描述）
# =============================================================================
def describe_image_with_doubao_vision(image_path, ocr_text):
    from volcenginesdkarkruntime import Ark

    client = Ark(api_key="你的火山引擎API_KEY")  # 填入你的密钥

    prompt = f"""
你是企业文档解析专家。
图片OCR文字：{ocr_text}
请分析这张图是流程图还是架构图，并输出：
1. 图的主题
2. 步骤/层级关系
3. 关键节点与流向
用清晰文本输出，不要markdown。
"""

    resp = client.chat.completions.create(
        model="doubao-vision",
        messages=[
            {
                "role": "user",
                "content": [
                    {"type": "text", "text": prompt},
                    {"type": "image_url", "image_url": {"url": f"file://{image_path}"}}
                ]
            }
        ]
    )
    return resp.choices[0].message.content

def parse_flowchart(image_path):
    ocr_text = clean_image_and_ocr(image_path)
    description = describe_image_with_doubao_vision(image_path, ocr_text)
    return Document(
        page_content=f"【流程图/架构图】\n描述：{description}\nOCR内容：{ocr_text}",
        metadata={"source": image_path, "type": "flowchart"}
    )

# =============================================================================
# ⑤ 统一入口：自动识别文件 → 去水印 → 解析 → 输出Document
# =============================================================================
def parse_document(file_path: str, use_watermark_removal=True):
    ext = file_path.lower().split(".")[-1]
    docs = []

    # -------------------- PDF --------------------
    if ext == "pdf":
        target = file_path
        if use_watermark_removal:
            target = file_path + ".clean.pdf"
            remove_pdf_watermark(file_path, target)
        docs = parse_pdf_tables(target)

    # -------------------- 图片（流程图/架构图） --------------------
    elif ext in ["jpg", "jpeg", "png", "bmp"]:
        doc = parse_flowchart(file_path)
        docs.append(doc)

    # -------------------- 其他格式可自行扩展 --------------------
    else:
        print(f"不支持的文件类型: {file_path}")

    return docs

# =============================================================================
# 【使用示例】
# =============================================================================
if __name__ == "__main__":
    # 解析一个PDF（自动去水印 + 表格解析）
    documents = parse_document("test.pdf", use_watermark_removal=True)

    # 解析一张流程图/架构图
    # documents = parse_document("flow.png")

    for d in documents:
        print("=" * 50)
        print(f"类型: {d.metadata['type']}")
        print(d.page_content)

---

📦 需要安装的依赖

pip install pymupdf pdfplumber opencv-python pytesseract pillow volcenginesdkarkruntime

---

🎯 这个整合版能做什么？

1. 水印怎么处理？

• PDF 数字水印：自动识别 “机密 / 内部 / 请勿外传”，直接删除图层
• 图片水印：OpenCV 去噪 + 颜色屏蔽 → 干净图像 → OCR

2. 特殊格式（表格 / 跨页表格）怎么处理？

• 自动提取 → 转 Markdown 表格
• 相同表头自动识别为跨页表格并合并
• 大模型能 100% 看懂结构

3. 流程图 / 架构图怎么处理？

• OCR 提取文字
• 豆包多模态（doubao-vision）生成结构化文本描述
• 流程步骤、层级关系、流向全部转成文本
• 变成可检索 chunk

---

🚀 直接接入你的 RAG 向量库

# 解析
docs = parse_document("你的文件.pdf")

# 向量化
from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import FAISS
embeddings = OpenAIEmbeddings()
db = FAISS.from_documents(docs, embeddings)

# 检索
retriever = db.as_retriever()