企业内部搭RAG知识库，用开源模型做Embedding，向量数据库存文档，LangChain搭链路——系统跑起来了。开放性问题回答得挺流畅，但一涉及文档里的结构化内容，就开始掉链子。

用户问"合同第三条的付款条件是什么"，系统召回的却是页脚里的公司地址；问"这份财报的现金流表在哪"，系统只找到了文字描述，跳过了正文中以图片形式嵌入的表格；上传了一份盖章合同的扫描件，系统直接把公章上的文字混进了正文，输出的内容一团糟。

团队调Prompt、换模型、重训Embedding，折腾一圈后发现：多数场景下，核心瓶颈并非模型与检索链路，文档前端解析才是影响问答准确率的关键短板。PDF在进向量库之前，版式已经被破坏、阅读顺序已错乱、印章和页眉页脚混进了正文。即便后端向量、大模型链路设计完善，脏解析数据也会大幅限制系统效果，后端调优很难抵消底层文档解析缺陷。

一、扫描件质量差：手机拍的PDF，OCR根本读不动

企业RAG的知识库中，相当一部分PDF不是电子档，而是扫描件或手机拍照。这些文档在识别时会遇到一系列真实的图像质量问题：

页面倾斜与透视变形。 手持拍摄时手机与文档不平行，原本方正的页面在图像中呈现为梯形。扫描仪走纸偏差也会造成整体倾斜。如果解析引擎没有做几何矫正，倾斜的文字行会导致识别率骤降。

阴影与光照不均。 拍摄环境的侧光造成页面明暗不均，手指遮挡形成局部阴影。这些光照变化会干扰图像二值化的阈值判断，阴影区域的文字对比度降低，识别时笔划断裂。

摩尔纹与成像噪声。 翻拍屏幕时产生的摩尔纹、低分辨率拍摄、JPEG压缩的块状噪声，都会破坏文字特征。

TextIn的解法： 在OCR识别之前，先通过图像预处理流程进行切边矫正、阴影去除、摩尔纹消除、清晰度增强。对于装订成册的书籍或厚报告，页面中缝处的弧形弯曲也能通过算法"展平"。处理后的图像再进入识别流程，文字特征完整保留。

二、印章与手写批注遮挡：合同上的红章把关键文字盖住了

企业文档中，印章和手写批注是高频存在的元素，但也是传统OCR的噩梦：

红色公章遮挡文字。 合同关键页往往盖有红色公章，章体覆盖在印刷文字之上。传统OCR会将印章像素和文字像素混在一起识别，导致底层文字检测失效，识别结果出现乱码或漏字。

黑色印章更难处理。 红色印章可以通过颜色通道过滤取得不错的效果，但黑色印章与文字颜色相同，传统的颜色分离方法完全失效。

手写签名与批注干扰。 合同上的手写签名、发票背面的手写计算、入库单上的手写涂改——这些手写体与印刷体混排时，传统OCR容易将手写笔画误识别为印刷文字的一部分，或者将印刷文字误判为手写噪声而过滤掉。

TextIn的解法： 采用图层分离技术，利用语义分割将印章像素从文字像素中剥离。红色印章通过颜色通道淡化去除，黑色印章通过深度学习模型进行区域分割。手写体与印刷体分别识别后再合并输出，确保两类信息都不丢失。印章信息（日期、编号）作为独立字段提取，用于合规审核。

三、版式复杂：页眉页脚混进正文，双栏文档顺序全乱

企业文档的版式远比想象中复杂，常见但容易被忽视的痛点包括：

页眉页脚混进正文。 年报、合同、技术手册中，页眉通常包含公司logo和文档标题，页脚包含页码和地址电话。如果解析引擎没有精准识别并剔除这些区域，页眉的公司名称会被误认为正文的章节标题，页脚的"第X页"会被当作正文段落送入向量库，直接污染检索结果。

多栏排版阅读顺序错乱。 双栏或三栏排布的论文、年报、业务报告，如果解析工具按坐标顺序从左到右读取，会把右栏的全部内容排在左栏之后。用户问"第三章的核心观点"，系统召回的可能是第三章右侧栏的段落，而左侧栏的关键论点被遗漏。

图文混排时图片丢失。 产品手册中的技术参数表、财务报告中的趋势图——这些以图像形式嵌入的元素，传统OCR直接跳过。用户问"近五年营收趋势如何"，系统只能从正文中提取零星数字，完全忽略了文档中承载核心信息的趋势图。

TextIn的解法： 版面分析引擎通过目标检测模型将页面分割为标题、正文、表格、图片、页眉、页脚等语义区块，精准识别并剔除页眉页脚，按人类阅读顺序重组文档流。图片中的信息（如图表、流程图）通过多模态理解提取并以结构化方式输出。

四、向量化阶段：解析错误被放大，且难以追溯

上述解析错误不会在提取阶段止步，在向量化阶段被进一步放大。

Embedding模型转向量时高度依赖上下文的连续性和语义完整性。当版式分析失败导致阅读顺序错乱时，原本连贯的段落被拆成碎片，语义关联断裂。用户查询时，系统召回的片段"看起来相关但实际内容错位"，团队会以为是Embedding或检索算法的问题，在错误方向上调优，真正根源却在解析环节。

五、工程排查：三步定位RAG的"说谎"源头

第一步：检查原始提取结果。 把PDF原文和提取出的文本并排对比。重点关注扫描件区域——倾斜是否已矫正、阴影是否已去除、印章是否被误识别为文字。对于多栏文档，检查阅读顺序是否符合人类习惯。

第二步：验证向量召回质量。 用固定测试问题集检查召回片段是否与问题真正相关。如果涉及扫描件、合同、财报的问题总是召回"看起来相关但实际错误"的片段，解析阶段出了问题。

第三步：建立端到端监控。 生产环境定期抽样检查模型回答与原始文档的一致性。

六、5分钟接入TextIn：补齐pipeline的文档解析环节

企业从零自研完整高精度文档解析链路，需要长期配备算法团队、积累标注数据并持续迭代模型，整体研发成本与周期成本偏高大。TextIn提供公有云API，三步接入：

Step 1：注册开通（1分钟） — 官网注册即开通，自动获得免费调用额度。

Step 2：获取密钥（1分钟） — 控制台创建应用，拿到x-ti-app-id和x-ti-secret-code。SDK覆盖Python、Java、Node.js。

Step 3：发起请求（2-3分钟） — 几行代码调用API，传入PDF或图片，返回结构化JSON。核心能力包括：

• 图像预处理：切边矫正、阴影去除、摩尔纹消除、清晰度增强
• 印章与手写处理：红黑印章分离提取、手写体与印刷体分别识别
• 版式分析：页眉页脚自动剔除、多栏阅读顺序还原、图文混排结构化
• 表格识别：有线表、无线表、跨页表、合并单元格全支持
• 结构化输出：JSON/Markdown格式，字段级置信度评分，直接对接向量库

100页文档处理速度在秒级以内。

七、结语

企业RAG系统的准确率，不是单靠换模型、调Prompt就能提升的。文档解析作为pipeline的最前端，它的输出质量决定了整个系统的上限。扫描件的倾斜阴影、印章的手写遮挡、版式的复杂混排——这些在解析阶段发生的错误，会在向量化和检索阶段被逐级放大。

对于正在搭建或优化企业RAG系统的开发团队，与其在后端反复调优，不如先回到前端检查一下：你的PDF文档，真的被正确解析了吗？可以上传样本进行测试，验证解析结果是否满足业务需求。

​